MoFLeuR: Motion-based Federated Learning Gesture Recognition
Notice bibliographique
Résumé
In recent years, Deep Neural Networks (DNNs) have been widely used for Human Gesture Recognition (HGR) based on the information obtained from inertial sensors, such as accelerometers and gyroscopes, available on smart Internet of Things (IoT) devices. Most of the recent works on HGR using motion data rely on gathering a dataset, that faces two major challenges: a ) the datasets are originally stored on the smart devices at the end-users, and gathering them in one place is not feasible due to communication limitations, and b ) clients are reluctant to share their private data with a central server due to privacy concerns. In this paper, we address these issues and propose a privacy-preserving framework based on Federated Learning (FL) for HGR using motion data, called Motion-based Federated Learning Gesture Recognition (MoFLeuR). Furthermore, we consider different types of data heterogeneity which have destructive effects on the performance of the global model. Accordingly, we propose a communication and computation-efficient client selection method that chooses the clients to mitigate the impact of data heterogeneity in the training process. In the proposed framework, clients are not requested to share sensitive information about their local datasets with the edge server in the FL process. Simulation results show that the proposed MoFLeuR algorithm improves the performance of the global model in the presence of different degrees of data heterogeneity, and it outperforms the baseline algorithms in terms of different metrics, namely accuracy, convergence speed, and communication and computation efficiency.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».