論文の概要: FedFitTech: A Baseline in Federated Learning for Fitness Tracking
- arxiv url: http://arxiv.org/abs/2506.16840v2
- Date: Fri, 12 Sep 2025 08:35:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-15 14:04:03.006168
- Title: FedFitTech: A Baseline in Federated Learning for Fitness Tracking
- Title（参考訳）: FedFitTech:Federated Learning for Fitness Trackingのベースライン
- Authors: Zeyneddin Oz, Shreyas Korde, Marius Bock, Kristof Van Laerhoven,
- Abstract要約: ウェアラブルフィットネストラッキングデバイスはフィットネス技術の物理的な動きを捉える(FitTech)
フィットネスアクティビティを検出する従来の学習アプローチは、データプライバシの懸念、規制の制限、コミュニケーションの非効率に苦しむ。
Federated Learning to FitTechの適用は、データの不均衡、ラベル付きデータの欠如、異質なユーザアクティビティ、パーソナライゼーションと一般化のトレードオフなど、ユニークな課題を提示する。
- 参考スコア（独自算出の注目度）: 3.308210824278518
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The rapid evolution of sensors and resource-efficient machine learning models has spurred the widespread adoption of wearable fitness tracking devices. Equipped with inertial sensors, such devices can continuously capture physical movements for fitness technology (FitTech), enabling applications from sports optimization to preventive healthcare. Traditional Centralized Learning approaches to detect fitness activities struggle with data privacy concerns, regulatory restrictions, and communication inefficiencies. In contrast, Federated Learning (FL) enables a decentralized model training by communicating model updates rather than potentially private wearable sensor data. Applying FL to FitTech presents unique challenges, such as data imbalance, lack of labeled data, heterogeneous user activities, and trade-offs between personalization and generalization. To simplify research on FitTech in FL, we present the FedFitTech baseline, under the Flower framework, which is publicly available and widely used by both industry and academic researchers. Additionally, to illustrate its usage, this paper presents a case study that implements a system based on the FedFitTech baseline, incorporating a client-side early stopping strategy and comparing the results. For instance, this system allows wearable devices to optimize the trade-off between capturing common fitness activities and preserving individuals' nuances, thereby enhancing both the scalability and efficiency of privacy-aware fitness tracking applications. The results show that this reduces the overall redundant communications by 13%, while maintaining the overall recognition performance at a negligible recognition cost by 1%. Thus, the FedFitTech baseline creates a foundation for a wide range of new research and development opportunities in FitTech, and it is available as open source at: https://github.com/shreyaskorde16/FedFitTech
- Abstract（参考訳）: センサーとリソース効率のよい機械学習モデルの急速な進化により、ウェアラブルフィットネストラッキングデバイスの普及が加速した。
慣性センサーを備えたこのデバイスは、フィットネス技術(FitTech)の物理的な動きを継続的に捉え、スポーツ最適化から予防医療への応用を可能にする。
従来の集中学習アプローチは、データプライバシの懸念、規制の制限、コミュニケーションの非効率に苦しむフィットネスアクティビティを検出する。
対照的に、フェデレートラーニング(FL)は、潜在的にプライベートなウェアラブルセンサーデータではなく、モデル更新を通信することで、分散モデルトレーニングを可能にする。
FLをFitTechに適用することは、データの不均衡、ラベル付きデータの欠如、不均一なユーザアクティビティ、パーソナライゼーションと一般化の間のトレードオフなど、ユニークな課題を提示します。
FLにおけるFitTechの研究を簡単にするために、FedFitTechベースラインをFlowerフレームワークで提示する。
さらに,本論文では,FedFitTechベースラインに基づくシステムを実装し,クライアント側早期停止戦略を組み込んだケーススタディを提案する。
例えば、このシステムにより、ウェアラブルデバイスは、一般的なフィットネスアクティビティのキャプチャと個人のニュアンスを保存するためのトレードオフを最適化し、プライバシーに配慮したフィットネストラッキングアプリケーションのスケーラビリティと効率性を向上させることができる。
その結果,全体の冗長通信を13%削減し,認識性能を無視できるコストで1%向上させることができた。
このように、FedFitTechベースラインは、FitTechにおける幅広い新しい研究と開発機会の基礎を作り、オープンソースとして、https://github.com/shreyaskorde16/FedFitTechで利用可能である。
関連論文リスト
- Learn More by Using Less: Distributed Learning with Energy-Constrained Devices [3.730504020733928]
Federated Learning(FL)は、分散モデルトレーニングのソリューションとして、分散化されたプライバシ保護デバイスに登場した。
本稿では,電池に制約のあるデバイス上でのクライアント選択とトレーニング作業の最適化を目的とした,エネルギーを意識したFLフレームワークであるLeanFedを提案する。
論文 参考訳（メタデータ） (2024-12-03T09:06:57Z) - Personalized Wireless Federated Learning for Large Language Models [75.22457544349668]
大規模言語モデル(LLM)は、無線ネットワークにおいて大きな変革をもたらしている。
無線環境では、LLMのトレーニングはセキュリティとプライバシに関する重大な課題に直面している。
本稿では,無線ネットワークにおけるLLMのトレーニング段階の体系的解析を行い,事前学習,命令チューニング,アライメントチューニングを行う。
論文 参考訳（メタデータ） (2024-04-20T02:30:21Z) - Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。
FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。
実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
論文 参考訳（メタデータ） (2024-01-22T14:16:37Z) - Generalization of Fitness Exercise Recognition from Doppler Measurements
by Domain-adaption and Few-Shot Learning [12.238586191793997]
以前の研究では、未修正の市販オフザシェルフスマートフォンを使用して、全身運動を認識するモバイルアプリケーションを開発した。
このような実験室環境のトレーニングされたモデルを現実的なアプリケーションのバリエーションに適用することは、パフォーマンスを著しく低下させます。
本稿では、フィットネスエクササイズの制御および制御されていないサブセットを持つデータベースを提案する。
論文 参考訳（メタデータ） (2023-11-20T16:40:48Z) - FS-Real: Towards Real-World Cross-Device Federated Learning [60.91678132132229]
Federated Learning (FL)は、ローカルデータをアップロードすることなく、分散クライアントと協調して高品質なモデルをトレーニングすることを目的としている。
FL研究と実世界のシナリオの間には依然としてかなりのギャップがあり、主に異種デバイスの特徴とそのスケールによって引き起こされている。
本稿では,実世界横断デバイスFL,FS-Realのための効率的でスケーラブルなプロトタイピングシステムを提案する。
論文 参考訳（メタデータ） (2023-03-23T15:37:17Z) - Personalizing Federated Learning with Over-the-Air Computations [84.8089761800994]
フェデレートされたエッジ学習は、プライバシー保護の方法で無線ネットワークのエッジにインテリジェンスをデプロイする、有望な技術である。
このような設定の下で、複数のクライアントは、エッジサーバの調整の下でグローバルジェネリックモデルを協調的にトレーニングする。
本稿では,アナログオーバー・ザ・エア計算を用いて通信ボトルネックに対処する分散トレーニングパラダイムを提案する。
論文 参考訳（メタデータ） (2023-02-24T08:41:19Z) - Online Data Selection for Federated Learning with Limited Storage [53.46789303416799]
ネットワークデバイス間での分散機械学習を実現するために、フェデレートラーニング(FL)が提案されている。
デバイス上のストレージがFLの性能に与える影響はまだ調査されていない。
本研究では,デバイス上のストレージを限定したFLのオンラインデータ選択について検討する。
論文 参考訳（メタデータ） (2022-09-01T03:27:33Z) - Efficient Personalized Learning for Wearable Health Applications using
HyperDimensional Computing [10.89988703152759]
超次元コンピューティング(HDC)は、リソース制約のあるデバイスによく適合したデバイス上での学習ソリューションを提供する。
我々のシステムは、最先端のDeep Neural Network(DNN)アルゴリズムと比較して、トレーニングのエネルギー効率を最大45.8倍に向上させる。
論文 参考訳（メタデータ） (2022-08-01T18:49:15Z) - Privacy-Preserving Personalized Fitness Recommender System (P3FitRec): A
Multi-level Deep Learning Approach [6.647564421295215]
プライバシーに配慮したパーソナライズされたフィットネスレコメンデーションシステムを提案する。
大規模な実フィットネスデータセットから重要な特徴を学習する多層ディープラーニングフレームワークを導入する。
本手法は,センサデータからユーザのフィットネス特性を推定することによりパーソナライズを実現する。
論文 参考訳（メタデータ） (2022-03-23T05:27:35Z) - An adaptable cognitive microcontroller node for fitness activity
recognition [0.0]
ウォブルボード(英: Wobble board)は、足首の怪我を避けるために、または怪我後のリハビリの一環として、感覚運動の訓練に使用できる安価な装置である。
本研究では,ウルブルボードに適用可能な携帯型,電池駆動型マイクロコントローラデバイスを提案する。
電力消費を減らすために,ハードウェアとソフトウェアの構成を動的に管理し,実行時に必要な動作モードに適応する適応層を追加する。
論文 参考訳（メタデータ） (2022-01-13T18:06:38Z) - To Talk or to Work: Flexible Communication Compression for Energy
Efficient Federated Learning over Heterogeneous Mobile Edge Devices [78.38046945665538]
巨大なモバイルエッジデバイス上でのフェデレーション学習(FL)は、多数のインテリジェントなモバイルアプリケーションのための新たな地平を開く。
FLは、定期的なグローバル同期と継続的なローカルトレーニングにより、参加するデバイスに膨大な通信と計算負荷を課す。
フレキシブルな通信圧縮を可能にする収束保証FLアルゴリズムを開発。
論文 参考訳（メタデータ） (2020-12-22T02:54:18Z) - Wireless Communications for Collaborative Federated Learning [160.82696473996566]
IoT(Internet of Things)デバイスは、収集したデータを中央のコントローラに送信することができず、機械学習モデルをトレーニングすることができる。
GoogleのセミナルFLアルゴリズムでは、すべてのデバイスを中央コントローラに直接接続する必要がある。
本稿では,コラボレーティブFL(CFL)と呼ばれる新しいFLフレームワークを提案する。
論文 参考訳（メタデータ） (2020-06-03T20:00:02Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。