LDA-FedHAR: Federated Human Activity Recognition for Wearable Devices Through Local HAR Data Alignment
Notice bibliographique
Résumé
Wearable device-based Human Activity Recognition (HAR) has attracted considerable interest with the rapid development of the Internet of things (IoT), and Federated Learning (FL) has been widely adopted in this domain for its ability to collaboratively train models across decentralized devices while preserving privacy. However, its performance is hindered by data heterogeneity arising from variations in the placement of the wearable devices, user behaviors, and physiological characteristics. In this work, we present LDA-FedHAR, a federated HAR framework designed for wearable devices by capturing more common knowledge from aligned client HAR data. It performs Local HAR Data Alignment (LDA) on each client, which is an entirely on-device alignment method that operates independently on local HAR data. By computing the transformation matrix solely from local HAR data and applying it to the data itself, LDA projects heterogeneous client data into a unified space, thereby reducing inter-client discrepancies at the source. To further enhance efficiency and robustness, we propose two IMU-specific variants, LDA(S-IMU) and LDA(C-IMU), which explore intra-and inter-IMU correlations based on practical placements of wearable devices. Experiments are conducted on 4 public HAR datasets: HHAR, Shoaib2014, OPPORTUNITY++, and PAMAP2. The results show that LDA effectively reduces inter-client discrepancies, and LDA-FedHAR along with its variants consistently outperforms state-of-the-art FL methods. Moreover, the improvements achieved by integrating LDA into other FL methods highlight its applicability.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,004 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».