論文の概要: Federated Action Recognition for Smart Worker Assistance Using FastPose

• arxiv url: http://arxiv.org/abs/2508.14113v1
• Date: Mon, 18 Aug 2025 09:28:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-21 16:52:41.197623
• Title: Federated Action Recognition for Smart Worker Assistance Using FastPose
• Title（参考訳）: FastPoseを用いたスマートワーカー支援のためのフェデレーション行動認識
• Authors: Vinit Hegiste, Vidit Goyal, Tatjana Legler, Martin Ruskowski,
• Abstract要約: 本稿では,不均質な産業環境下でのポーズに基づく人間活動認識(HAR)のための連邦学習(FL)フレームワークを提案する。 LSTMとTransformerエンコーダという2つの時間的バックボーンを4つのパラダイムで訓練し評価する。 グローバルテストセットでは、FLトランスフォーマーは集中トレーニングよりも+12.4ポイント向上し、FedEnsembleは+16.3ポイントを獲得した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In smart manufacturing environments, accurate and real-time recognition of worker actions is essential for productivity, safety, and human-machine collaboration. While skeleton-based human activity recognition (HAR) offers robustness to lighting, viewpoint, and background variations, most existing approaches rely on centralized datasets, which are impractical in privacy-sensitive industrial scenarios. This paper presents a federated learning (FL) framework for pose-based HAR using a custom skeletal dataset of eight industrially relevant upper-body gestures, captured from five participants and processed using a modified FastPose model. Two temporal backbones, an LSTM and a Transformer encoder, are trained and evaluated under four paradigms: centralized, local (per-client), FL with weighted federated averaging (FedAvg), and federated ensemble learning (FedEnsemble). On the global test set, the FL Transformer improves over centralized training by +12.4 percentage points, with FedEnsemble delivering a +16.3 percentage points gain. On an unseen external client, FL and FedEnsemble exceed centralized accuracy by +52.6 and +58.3 percentage points, respectively. These results demonstrate that FL not only preserves privacy but also substantially enhances cross-user generalization, establishing it as a practical solution for scalable, privacy-aware HAR in heterogeneous industrial settings.
• Abstract（参考訳）: スマートマニュファクチャリング環境では、作業者の行動の正確かつリアルタイムな認識は、生産性、安全性、人間と機械のコラボレーションに不可欠である。 骨格に基づくヒューマンアクティビティ認識(HAR)は、照明、視点、背景の変化に対して堅牢性を提供するが、既存のアプローチのほとんどは、プライバシに敏感な産業シナリオでは実用的ではない集中型データセットに依存している。 本稿では,5人の参加者から収集され,修正されたFastPoseモデルを用いて処理された,産業的に関係のある8つの上半身ジェスチャーのカスタム骨格データセットを用いて,ポーズに基づくHARのためのフェデレートラーニング(FL)フレームワークを提案する。 2つの時間的バックボーン、LSTMとTransformerエンコーダは、集中型、局所的(クライアント毎)、重み付き平均化(FedAvg)、連合型アンサンブル学習(FedEnsemble)の4つのパラダイムで訓練され、評価される。 グローバルテストセットでは、FLトランスフォーマーは集中トレーニングよりも+12.4ポイント向上し、FedEnsembleは+16.3ポイント向上した。 目に見えない外部クライアントでは、FLとFedEnsembleはそれぞれ+52.6と+58.3の精度を超える。 これらの結果は、FLはプライバシを保存するだけでなく、ユーザ間の一般化を大幅に強化し、異種産業環境におけるスケーラブルでプライバシに配慮したHARの実用的なソリューションとして確立していることを示している。

関連論文リスト

• Blockchain-Enabled Privacy-Preserving Second-Order Federated Edge Learning in Personalized Healthcare [1.859970493489417]
  フェデレートラーニング(FL)は、従来のクラウド中心の機械学習モデルにおいて、セキュリティとプライバシの課題に注目が集まっている。 1次FLアプローチは、異種非独立で同一に分散された(非id)データにより、パーソナライズされたモデルトレーニングにおいていくつかの課題に直面している。 近年,2次FLアプローチは,パーソナライズされたモデルトレーニングを改善しつつ,非IDデータセットの安定性と一貫性を維持している。
  論文  参考訳（メタデータ） (2025-05-31T06:41:04Z)
• TRAIL: Trust-Aware Client Scheduling for Semi-Decentralized Federated Learning [13.144501509175985]
  本稿では、クライアントの状態とコントリビューションを評価するTRAILと呼ばれるTRust-Aware clIent scheduLing機構を提案する。 我々は、エッジサーバとクライアントが信頼できないクラスタ内モデルアグリゲーションとクラスタ間モデルコンセンサスを使用して、共有グローバルモデルをトレーニングする半分散FLフレームワークに焦点を当てる。 実世界のデータセットで行われた実験では、TRAILは最先端のベースラインを上回っ、テスト精度が8.7%向上し、トレーニング損失が15.3%減少した。
  論文  参考訳（メタデータ） (2024-12-16T05:02:50Z)
• CDFL: Efficient Federated Human Activity Recognition using Contrastive Learning and Deep Clustering [12.472038137777474]
  HAR(Human Activity Recognition)は、多様なセンサーからのデータを介し、人間の行動の自動化とインテリジェントな識別に不可欠である。 中央サーバー上のデータを集約し、集中処理を行うことによる従来の機械学習アプローチは、メモリ集約であり、プライバシの懸念を高める。 本研究は,画像ベースHARのための効率的なフェデレーション学習フレームワークCDFLを提案する。
  論文  参考訳（メタデータ） (2024-07-17T03:17:53Z)
• An Aggregation-Free Federated Learning for Tackling Data Heterogeneity [50.44021981013037]
  フェデレートラーニング(FL)は、分散データセットからの知識を活用する効果に頼っている。 従来のFLメソッドでは、クライアントが前回のトレーニングラウンドからサーバが集約したグローバルモデルに基づいてローカルモデルを更新するアグリゲート-then-adaptフレームワークを採用している。 我々は,新しいアグリゲーションフリーFLアルゴリズムであるFedAFを紹介する。
  論文  参考訳（メタデータ） (2024-04-29T05:55:23Z)
• Learning to Specialize: Joint Gating-Expert Training for Adaptive MoEs in Decentralized Settings [41.98633628526484]
  Mixture-of-Experts (MoEs)は、コンポーネントのサブセットを動的に活性化することでスケーラビリティを実現する。 推論コストとデータヘテロジニティにより、ゲーティング関数と専門家の協調トレーニングがドメイン固有の専門知識を割り当てる方法について検討する。
  論文  参考訳（メタデータ） (2023-06-14T15:47:52Z)
• Privacy in Multimodal Federated Human Activity Recognition [8.301708819864974]
  本研究は, ユーザ, 環境, センサレベルでのHAR(Federated Human Activity Recognition)におけるプライバシの影響について検討する。 HARにおけるFLの性能は、FLシステムのプライバシレベルに依存していることを示す。 本研究では,HARにおける受動的センシング手法の倫理的活用には,このようなプライバシが不可欠であるため,クライアントが一般FLモデルとグループレベルのモデルの両方をモダリティ毎に相互に訓練するシステムを実装する。
  論文  参考訳（メタデータ） (2023-05-20T07:57:47Z)
• Improving Privacy-Preserving Vertical Federated Learning by Efficient Communication with ADMM [62.62684911017472]
  フェデレートラーニング(FL)により、デバイスは共有モデルを共同でトレーニングし、トレーニングデータをプライバシ目的でローカルに保つことができる。 マルチヘッド(VIM)を備えたVFLフレームワークを導入し、各クライアントの別々のコントリビューションを考慮に入れます。 VIMは最先端技術に比べて性能が著しく向上し、収束が速い。
  論文  参考訳（メタデータ） (2022-07-20T23:14:33Z)
• Acceleration of Federated Learning with Alleviated Forgetting in Local Training [61.231021417674235]
  フェデレートラーニング(FL)は、プライバシを保護しながら機械学習モデルの分散最適化を可能にする。 我々は,FedRegを提案する。FedRegは,局所的な訓練段階において,知識を忘れることなくFLを加速するアルゴリズムである。 我々の実験は、FedRegはFLの収束率を著しく改善するだけでなく、特にニューラルネットワークアーキテクチャが深い場合にも改善することを示した。
  論文  参考訳（メタデータ） (2022-03-05T02:31:32Z)
• Data Heterogeneity-Robust Federated Learning via Group Client Selection in Industrial IoT [57.67687126339891]
  FedGSは5Gのエンパワーメント産業のための階層的なクラウド・エッジ・エンドのFLフレームワークである。 自然にクラスタ化されたファクトリデバイスを利用することで、FedGSは勾配ベースのバイナリ置換アルゴリズムを使用する。 実験によると、FedGSは精度を3.5%改善し、トレーニングラウンドを平均59%削減している。
  論文  参考訳（メタデータ） (2022-02-03T10:48:17Z)

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。