Başlık: FedOpenHAR: Federated Multi-Task Transfer Learning for Sensor-Based Human Activity Recognition
Özet: Giyilebilir ve mobil cihazlara entegre edilmiş hareket sensörleri, cihaz kullanıcıları hakkında değerli bilgiler sağlar. Makine öğrenimi ve son zamanlarda derin öğrenme teknikleri, sensör verilerini karakterize etmek için kullanılmıştır. Genellikle, insan aktivitelerinin tanınması gibi tek bir görev hedeflenir ve veri genellikle bir sunucuda veya bulutta merkezi olarak işlenir. Ancak aynı sensör verisi birden fazla görev için kullanılabilir ve verilerin merkeze iletilmesi gereksinimi olmaksızın dağıtılmış makine öğrenimi teknikleri kullanılabilir. Bu tezde, hem sensör tabanlı insan aktivitesi tanıma hem de cihaz konumu belirleme görevleri için Çok-Hedefli Federe Öğrenme Aktarımı'nı kullanan FedOpenHAR metodunu sunuyoruz. Hedefe-özel ve kişiselleştirilmiş katmanları federe bir şekilde eğiterek öğrenme aktarımı yaklaşımını kullanıyoruz. Modelleri eğitmek için on küçük veri seti içeren OpenHAR verisetleri kümesi kullanılıyor. Temel amaç ve zorluk, farklı veri kümelerinin yalnızca bazı etiket türlerini içerirken, farklı veri kümelerinde her iki göreve de uygulanabilir sağlam model(ler) elde etmektir. Çeşitli parametreler ve kısıtlamalar altında, Flower federe öğrenme ortamında DeepConvLSTM, MLP ve CNN mimarileri kullanılarak birden fazla deney gerçekleştirmektedir. Sonuçlar, federe ve merkezi deneyler için sunulur. Öğrenme aktarımı kullanarak ve hedefe-özel ve kişiselleştirilmiş federe bir model eğiterek, tamamen merkezi bir eğitim yaklaşımından (64.5\%) daha yüksek bir doğruluk elde ettik (72.4\%) ve her istemcinin izole bir şekilde bireysel eğitim yaptığı bir durumla benzer bir doğruluk elde ettik (72.6\%) . Ancak, FedOpenHAR'ın bireysel eğitime göre avantajı, yeni bir istemcinin yeni bir etiket türüyle (yeni bir hedef) katılması durumunda ortak katmandan eğitime başlayabilmesidir. Ayrıca, yeni bir istemcinin mevcut görevlerden birinde yeni bir sınıf türü sınıflandırmak istemesi durumunda, FedOpenHAR doğrudan hedefe-özel katmanlardan eğitime başlayabilir. Ayrıca FedOpenHAR'ın farklı parametreler altındaki performansını değerlendirmek için daha fazla deney yapılmış ve sonuçları sunulmaktadır.
Danışman(lar): Özlem Durmaz İncel, B. Atay Özgövde
