FED-HARGPT：トランスフォーマー系アーキテクチャによる人間の状況（コンテキスト）認識のための、集中型—連合型ハイブリッド手法

概要: 本研究では、Transformerベースのアーキテクチャを用いた、ヒト行動認識（HAR）に対するハイブリッドな集中型—フェデレーテッドアプローチを探究する。スマートフォンやウェアラブル端末などのエッジデバイスがますます普及するにつれ、ウェアラブルおよび慣性センサから大量のプライベートデータが生成され、休息・睡眠・歩行といった人間の活動を、目立たない形で監視できるようになる。本研究の焦点は、モバイルセンサデータを用いてHAR技術を展開し、Flowerフレームワーク内でFederated Learning（フェデレーテッド学習）を活用することで、集中型ベースラインから導出したフェデレーテッドモデルの学習を評価することにある。実験結果は、非IIDデータのシナリオにおいて、提案するハイブリッド手法が、データプライバシーを保持しつつ、HARモデルの精度と頑健性を向上させる有効性を示した。フェデレーテッド学習の構成は、集中型モデルと同等の性能を示し、現実のアプリケーションにおいてデータプライバシーとモデル性能のバランスを取る手段として、フェデレーテッド学習に大きな可能性があることを浮き彫りにした。