Federated optimal transport domain adaptation using Internet of Things sensor data for activity recognition
Notice bibliographique
Résumé
Federated learning has recently gained interest in optimizing smart buildings by addressing privacy issues. Activity recognition (AR) is important in improving smart building applications using Internet of Things (IoT) sensor data, allowing HVAC systems optimization, energy efficiency, security, and occupant comfort. However, the development of AR applications is often limited due to labeled data scarcity. IoT data is difficult to collect due to privacy, cost, and time issues. Common unsupervised domain adaptation (UDA) methods address these issues by sharing information from labeled sources to unlabeled target domains. Most of these approaches require direct access to labeled source data, raising privacy issues. This research proposes novel approaches that integrate federated learning (FL) with optimal transport domain adaptation (OTDA) to perform activity recognition while respecting privacy concerns. Optimal transport (OT)-based approaches have gained much interest thanks to their effective probability distribution alignment and improved generalization between source and target data features. Also, our novel methods use federated learning to allow the training of several models from multiple smart building sources without sharing the local data of each source domain. FL creates a robust global model that combines the performance of several local models to perform AR. This research paper introduces a novel integration of federated learning and optimal transport domain adaptation to achieve privacy-preserving and activity recognition across heterogeneous domains, which represents a new contribution to smart building research. We have developed two federated learning methods (federated averaging (FedAvg) and federated proximal (FedProx)) with optimal transport domain adaptation (FL-OTDA) called FedAvg-OTDA and FedProx-OTDA. Experimental results of global models on unseen AR datasets, with scores up to 71%, prove that the developed FL-OTDA methods are promising for the current smart building task. We provide the code in the following repository: https://github.com/JawDri/Federated-Learning-Optimal-Transport-Domain-Adaptation-for-Activity-Recognition.git .
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 | 0,000 | 0,004 |
| Science ouverte | 0,000 | 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 ».