Federated Learning for Activity Recognition: A System Level Perspective

❏ 書誌情報／著者

STEFAN KALABAKOV, BORCHE JOVANOVSKI, DANIEL DENKOVSKI, VALENTIN RAKOVIC, BJARNE PFITZNER, ORHAN KONAK, BERT ARNRICH, AND HRISTIJAN GJORESKI

IEEE ACCESS 2023に掲載

❏ 論文の核心

人間活動認識 (HAR) における連合学習 (FL) のシステムレベルの側面を広範に分析、集中型深層学習 (DL) と比較し、プライバシー、通信効率、データエラーへの堅牢性を評価

❏ 主張と革新性

集中型データ処理のプライバシー懸念と連続データ収集の困難さに対し、FLによるデータローカル保持を提案

FLの現実世界での展開におけるシステムレベル要因（センサー配置、クライアントデータ異質性、帯域幅効率、データエラー等）が性能に与える影響を総合的に評価

FLと集中型DLの性能と挙動の違いを定量的に比較し、それぞれの利点と欠点を明確化

❏ 既存研究との違い

既存研究はFLの特定の応用や手法改善に焦点を当てるが、システムレベルの広範な側面やDLとの網羅的な比較は不足

本研究はセンサー配置の多様性、クライアント間のデータ異質性、通信効率、データエラーへの対応など、FLベースHARの多様な実践的課題を網羅的に調査

❏ 技術・手法のポイント

サーバーとクライアントからなる標準的なFLシステム構成を採用

抽出特徴量に基づくシンプルなFFNN (Feed-Forward Neural Network) モデルを使用

時系列・慣性センサーデータから、時間領域、周波数領域など多種多様な特徴量を抽出 (計1184特徴)

主にFederated Averaging (FedAvg) アルゴリズムを使用し、他のFLオプティマイザーとも比較

クライアントはローカルモデルの重み更新分のみをサーバーに送信し、データプライバシーを保護

❏ どう検証しているか

JSI-FOSとPAMAP2の2つの公開データセットを使用

ユーザーごとに訓練/テストデータセットを分割するパーソナル評価設定を採用

センサー配置の種類、FLオプティマイザー、異種センサー配置を持つクライアントの割合、通信ラウンド数、帯域幅効率、モデル複雑性（特徴選択）、ラベルエラー率を変化させて実験を実施

評価指標として不均衡データに対応可能なマクロFスコアを主に使用

実験結果は、DLが精度で優位だがFLは帯域幅効率、データエラーへの堅牢性で優れること、センサー配置が双方に影響することなどを示す

❏ 議論・今後の課題・著者自身の限界認識

FLは精度でDLに劣るものの、プライバシー、通信効率、データエラーへの堅牢性で明確な利点を持つ

FLモデルの性能向上には適切なNNアーキテクチャの選択が重要

今後の課題として、システムレベルパラメータの最適化、データエラーのより詳細な分析が挙げられる

❏ 応用例／示唆

ウェアラブルセンサーを用いたHARシステムにおいて、プライバシー保護を最優先する場合の有力な選択肢となる

患者のリモートモニタリングや認知症識別など、機密性の高いデータを取り扱うアプリケーションでの導入を支援

集中型データ収集が困難であったり、通信コストが高い環境でのHARモデル展開を現実的にする

帯域幅や計算能力に制約のあるIoTデバイス向けに、効率的なモデル展開の設計指針を提供

実世界特有の不完全なデータ（不均衡、エラー、異質性）が存在する環境においても、比較的堅牢なHARシステムを構築可能