Federated Split Learning for Human Activity Recognition with Differential Privacy

❏ 書誌情報／著者

Josue Ndeko, Shaba Shaon, Aubrey Beal, Avimanyu Sahoo, Dinh C. Nguyen

Department of Electrical and Computer Engineering, University of Alabama in Huntsville, USA所属

❏ 論文の核心

人間活動認識 (HAR) 向けに、差分プライバシー (DP) を統合した連合スプリット学習 (FSL) フレームワークを提案、高精度と低遅延を両立する

❏ 主張と革新性

ユーザーデータプライバシー保護のため、FLとSLを組み合わせたFSL構造を採用

FSLプロセスにDPメカニズムを統合し、中間活性化情報のプライバシーを強化

モデルをクライアント側とサーバー側に分割することで、リソース制約のあるエッジデバイスの計算負荷を軽減

❏ 既存研究との違い

既存のFLベースHAR研究はデータ不均衡や一般的なプライバシーに焦点を当てる

本研究はFSLをHARに応用し、特にDPを組み込むことで、IoMTやウェアラブル技術における展開に必要な拡張性、効率性、厳格なプライバシー保護を同時に提供

❏ 技術・手法のポイント

モデルをクライアント側（入力層からカット層）とサーバー側（カット層から出力層）に分割するFSLフレームワーク

クライアント側で部分的なフォワード伝播とバックプロパゲーションを実行

中間活性化情報にガウスノイズを加える差分プライバシーメカニズムを統合

サーバー側で残りのモデル処理、損失計算、バックプロパゲーションを実行

連合平均 (FedAvg) によりクライアント側モデルの重みを集約

LSTMをクライアント側に、Dense+Softmaxを出力層としてサーバー側に配置したモデルアーキテクチャ

❏ どう検証しているか

UCI HAR Dataset (加速度計・ジャイロスコープデータ、6活動) を使用

DPの有無、異なるε値での性能比較を実施

加速度計、ジャイロスコープ、両方使用した場合での性能比較を実施

提案FSLと伝統的FLの精度、損失値、通信時間を比較評価

実験結果は、FSLが伝統的FLより高精度・低損失であり、通信時間も短いことを示す

❏ 議論・今後の課題・著者自身の限界認識

FSLとDPを組み合わせることで、データプライバシーを強化しつつ、高精度なHARを効率的に実現可能

モデル分割により、エッジデバイスの計算負荷を効果的に軽減する

今後の課題については、ソースに具体的な記述は見られない

❏ 応用例／示唆

エッジネットワーク環境でのインテリジェントな人間活動認識システムを実現

モバイルデバイスやウェアラブルセンサーを活用したHARアプリケーション展開に貢献

個々のユーザー特性に合わせたパーソナル活動認識システムの、データプライバシーとセキュリティを尊重した拡張可能かつ効率的な展開を支援

リソースが限られるエッジデバイス上での演算処理の負担を軽減し、より実用的な展開を可能にする

機密性の高いセンサーデータを用いたHARにおいて、中間情報のプライバシーをDPで強化し、信頼性を向上