May, 2023

多模态联邦人类活动识别中的隐私保护

PDF
TL;DR本研究探讨了隐私对离散的人类活动识别（HAR）在用户、环境和传感器级别上影响的问题，并发现隐私对 FL 系统的影响因传感器数据的不同共存而异。在传感器数据的隐私保护方面，训练一个通用的 FL 模型和一个每种感觉模式的组级模型互相训练是可行的，只会使准确率降低 7-13%。
human activity recognitionfederated learningprivacysensorsmodality
发现论文，激发创造
  • 人体活动识别的联邦遗忘

    提出一种用于改善全球人类活动识别模型的轻量级机器遗忘方法，通过选择性删除客户端的部分训练数据，并使用 KL 散度作为微调的损失函数，以使预测的概率分布与第三方数据集相一致。

    Jan, 2024

  • Meta-HAR：基于联邦表征学习的人类活动识别

    本文提出一种元学习的联邦表示学习框架 Meta-HAR，将信号嵌入网络联邦元学习，再将学习到的信号表示馈入每个用户的个性化分类网络进行活动预测，从而在维持高测试准确性的同时实现了个性化，并且在多个基线测试中表现显著优于 Federated Averaging、Reptile 和甚至某些情况下的集中式学习。

    May, 2021

  • FedOpenHAR：传感器基于的人体活动识别的联邦多任务迁移学习

    该研究论文探讨了在多任务环境下的联邦迁移学习，用于基于传感器的人体活动识别和设备位置识别任务，并通过使用 OpenHAR 框架和 DeepConvLSTM 结构在联邦学习环境中进行了多个实验，结果显示相比个别客户端训练和完全集中化方法，利用迁移学习和训练的任务特定及个性化的联邦模型可以获得类似的准确性并且更高的准确性。

    Nov, 2023

  • 智能移动健康系统的隐私保护边缘联邦学习

    我们提出一种在物联网基础设施上，针对资源受限的移动健康和可穿戴技术的隐私保护边缘联邦学习框架，并通过在 Amazon 的 AWS 云平台上使用可穿戴技术监测癫痫的发作检测应用的实施评估了我们提议的框架。

    May, 2024

  • H-FL：面向联邦学习的分层通信高效和隐私保护体系结构

    本文提出了一种名为分层联邦学习（H-FL）的新框架，通过运行时分布重构策略，利用中介将客户端重新分配并重新安排客户端的本地训练，设计了一种压缩校正机制，同时不牺牲模型性能，降低通信开销，引入局部训练的差分隐私，注入适量的噪声到完整模型的一部分中，从而提供隐私保障，在真实的图像识别任务的不同数据集上实验结果表明，我们的 H-FL 框架实现了最先进的性能。

    Jun, 2021

  • 联邦学习的进展：模型、方法和隐私

    本文详细阐述了联邦学习的体系结构、应用问题、算法设计原则和安全问题，提出了一种更加通用的算法设计框架、攻击场景和防御方法，致力于将联邦学习与真实世界应用相集成并实现高性能、隐私保护和安全性。

    Feb, 2023

  • 泛在计算中的联邦学习和灾难性遗忘：HAR 领域的实证研究

    该研究论文旨在针对智能手机上的移动人类活动识别场景，演示联邦学习范式带来的问题，如数据储存容量限制、移动计算和灾难性遗忘等。

    Jul, 2022

  • 隐私敏感领域中联合学习的互惠证明

    通过实现隐私保障和最终模型准确性之间的平衡，本文研究了何时以及如何设计一种对所有参与者都有利的联邦学习协议，并给出了在均值估计和凸随机优化等背景下存在互惠协议的必要和充分条件。此外，本文还设计了最大化最终模型准确性的协议，并通过合成实验验证了其优势。

    Mar, 2024

  • 部分联邦学习

    我们提出了一种名为 Partial Federated Learning (PartialFL) 的新算法，该算法使用一部分数据模态或其中间表示来训练机器学习模型，并通过禁止数据标签传送到云端进行模型训练以提高隐私保护效果，我们在两个不同的多模态数据集上评估了我们的方法，并展示了有希望的结果。

    Mar, 2024

  • 联邦学习隐私：攻击、防御、应用和政策环境 - 一项调研

    深度学习和联邦学习是当前研究的重点，其中涉及隐私保护技术、隐私攻击以及隐私法规的探讨。

    May, 2024