DC-PFL: A dynamic clustering-based personalized federated learning method for human activity recognition
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Human Activity Recognition (HAR) is essential in pervasive computing, healthcare, and human–computer interaction, where accurate interpretation of motion data underpins intelligent decision-making. Federated Learning (FL) enables privacy-preserving model training across distributed clients without sharing raw data, but suffers from degraded performance under Non-Independent and Identically Distributed (Non-IID) data, a common challenge in HAR due to user diversity and device heterogeneity. To address this, Personalized Federated Learning (PFL) introduces client-specific modeling, often via clustering. However, most existing approaches adopt static clustering strategies, lacking adaptability to dynamic changes in client data distributions. In this work, we propose DC-PFL, a Dynamic Clustering-based Personalized Federated Learning framework that performs round-wise client clustering using lightweight statistical features, like Average Peak Frequency (APF), percentiles, and Median Absolute Deviation (MAD) derived from local model parameters. This design ensures efficient and privacy-preserving similarity estimation across clients. By dynamically adjusting clusters during training, DC-PFL enables fine-grained personalization, better generalization, and improved robustness to Non-IID conditions. Experimental results on HAR benchmarks demonstrate that DC-PFL achieves superior performance in both accuracy and convergence speed compared to existing methods, including FedCHAR and standard FL baselines, validating its effectiveness in real-world federated HAR scenarios.
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.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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 découle