Empowering IIoT With Federated Edge Learning for Human Activity Recognition Problems
Notice bibliographique
Résumé
Human Activity Recognition (HAR) has become a cornerstone in the dynamic development of the Industrial Internet of Things (IIoT). This study introduces an extensive framework aimed at embedding HAR functionality into industrial settings to promote workplace safety, streamline operations, and facilitate predictive maintenance. Through AI techniques, HAR problems can be achieved with high accuracy. However, traditional AI models require centrally trained data on remotely powerful cloud servers. This leads to issues with privacy and security of health records and increases latency. To address this problem, the Federated Learning (FL) technique was proposed. FL allows distributed training on the patient’s IoT devices and serves as the communication mechanism between local devices and the FL aggregator. Thanks to this architecture, the health data needs only to be stored locally on its devices without being uploaded to data centers, thus ensuring security and reducing service response times and computational costs. In this study, we implement FedANN and FedConvNN independently in a federated learning setting to address human activity recognition problems toward real-time applications. Finally, we evaluate the effectiveness of the based on the variation initiation of the number of different training clients. The results show that the FedConvNN solution improves accuracy and reduces model and communication complexity compared to FedANN and centralized training models, with the potential for real-time deployment in HAR tasks. Our code is available on our GitHub repository: https://github.com/itsminhcs/Fedavg-HAR.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 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 | 0,002 | 0,004 |
| 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 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».