論文の概要: Evaluating Federated Learning for Cross-Country Mood Inference from Smartphone Sensing Data

• arxiv url: http://arxiv.org/abs/2602.15478v1
• Date: Tue, 17 Feb 2026 10:34:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-18 16:03:18.033435
• Title: Evaluating Federated Learning for Cross-Country Mood Inference from Smartphone Sensing Data
• Title（参考訳）: スマートフォンセンシングデータを用いたクロスカウンタモード推論のためのフェデレーション学習の評価
• Authors: Sharmad Kalpande, Saurabh Shirke, Haroon R. Lone,
• Abstract要約: スマートフォンをベースとしたモバイルセンシングは、日常の行動から受動的、即席の気分推論を可能にする。 我々は,スマートフォンのセンサデータを用いたクロスカントリー・フェデレーション・ラーニング・セッティングにおける気分推定について検討した。 我々は、不均一な知覚モダリティに対応するように設計された特徴認識型パーソナライズド・フェデレーション・フレームワークであるFedFAPを紹介する。
• 参考スコア（独自算出の注目度）: 1.189955933770711
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Mood instability is a key behavioral indicator of mental health, yet traditional assessments rely on infrequent and retrospective reports that fail to capture its continuous nature. Smartphone-based mobile sensing enables passive, in-the-wild mood inference from everyday behaviors; however, deploying such systems at scale remains challenging due to privacy constraints, uneven sensing availability, and substantial variability in behavioral patterns. In this work, we study mood inference using smartphone sensing data in a cross-country federated learning setting, where each country participates as an independent client while retaining local data. We introduce FedFAP, a feature-aware personalized federated framework designed to accommodate heterogeneous sensing modalities across regions. Evaluations across geographically and culturally diverse populations show that FedFAP achieves an AUROC of 0.744, outperforming both centralized approaches and existing personalized federated baselines. Beyond inference, our results offer design insights for mood-aware systems, demonstrating how population-aware personalization and privacy-preserving learning can enable scalable and mood-aware mobile sensing technologies.
• Abstract（参考訳）: ムード不安定はメンタルヘルスの重要な行動指標であるが、伝統的な評価は、その継続的な性質を捉えられない、頻繁でふりかえりな報告に依存している。 スマートフォンをベースとしたモバイルセンシングは、日常の行動から受動的に感情を推測することを可能にするが、プライバシーの制約や不均一なセンサの可用性、行動パターンのかなりの変動などにより、そのようなシステムを大規模に展開することは依然として困難である。 本研究では,地域データを保持しながら,各国が独立したクライアントとして参加するクロスカントリー・フェデレーション・ラーニング・セッティングにおいて,スマートフォンセンサデータを用いた気分推定について検討する。 FedFAPは、地域間における不均一なセンシングモダリティに対応するために設計された、機能対応のパーソナライズド・フェデレーション・フレームワークである。 地理的、文化的に多様な人口に対する評価は、FedFAPがAUROCの0.744を達成し、中央集権的アプローチと既存のパーソナライズド・フェデレーション・ベースラインの両方を上回っていることを示している。 推論以外にも、私たちの結果は気分認識システムの設計洞察を提供し、人口認識のパーソナライゼーションとプライバシ保護学習によって、スケーラブルで気分認識のモバイルセンシング技術を実現する方法を示している。

関連論文リスト

• On the Sensitivity of Firing Rate-Based Federated Spiking Neural Networks to Differential Privacy [0.07499722271664146]
  Federated Neuromorphic Learning (FNL)は、データを集中化せずにデバイス上でエネルギー効率とプライバシ保護の学習を可能にする。 本稿では,SNNにおける差分プライバシ(DP)メカニズム,特に勾配クリッピングとノイズ注入,摂動速度統計,およびこれらの摂動がFNL調整にどのように伝播されるかを分析する。 本研究は,プライバシ保護のためのFNLについて,特にプライバシ強度とレート依存調整のバランスについて,実用的なガイダンスを提供する。
  論文  参考訳（メタデータ） (2026-02-12T14:40:25Z)
• Adaptive Dual-Weighting Framework for Federated Learning via Out-of-Distribution Detection [53.45696787935487]
  Federated Learning (FL)は、大規模分散サービスノード間の協調的なモデルトレーニングを可能にする。 実世界のサービス指向デプロイメントでは、異種ユーザ、デバイス、アプリケーションシナリオによって生成されたデータは本質的にIIDではない。 FLoodは、オフ・オブ・ディストリビューション(OOD)検出にインスパイアされた新しいFLフレームワークである。
  論文  参考訳（メタデータ） (2026-02-01T05:54:59Z)
• An Ensembled Penalized Federated Learning Framework for Falling People Detection [5.060598551125282]
  従来の転倒検出アプローチは、一般化可能性の制限、データプライバシの懸念、個人の動作の多様性といった重要な課題に悩まされることが多い。 本稿では,連続学習,パーソナライズドモデリング,SWA(Specialized Weighted Aggregation)戦略を統合したEPFL-an Ensembled Penalized Federated Learningフレームワークを提案する。 EPFLは、ウェアラブルセンサーデータを活用して、シーケンシャルな動きパターンをキャプチャし、均質な暗号化とフェデレートされたトレーニングを通じてユーザのプライバシを保存する。
  論文  参考訳（メタデータ） (2025-10-23T19:37:19Z)
• DAMe: Personalized Federated Social Event Detection with Dual Aggregation Mechanism [55.45581907514175]
  本稿では,ソーシャルイベント検出のための二重集約機構,すなわちDAMeを用いた個人化学習フレームワークを提案する。 クライアントの好みに関する最大限の外部知識を提供するため,グローバルアグリゲーション戦略を導入する。 さらに、ローカルなオーバーフィッティングやクライアントドリフトを防止するために、グローバルなローカルイベント中心の制約を組み込んでいます。
  論文  参考訳（メタデータ） (2024-09-01T04:56:41Z)
• Feasibility of assessing cognitive impairment via distributed camera network and privacy-preserving edge computing [2.2231315943430143]
  軽度認知障害(MCI)は、典型的な年齢以上の認知機能の低下と教育関連の期待が特徴である。 私たちは、一連の機械学習アルゴリズムのトレーニングに使用された動きと社会的相互作用機能を開発しました。 特定のレベルのMCIと関連付けるための個々の識別子が欠如しているにもかかわらず、最も重要な機能を使用した機械学習アプローチは71%の精度を提供した。
  論文  参考訳（メタデータ） (2024-08-19T22:34:43Z)
• Adaptive Global-Local Representation Learning and Selection for Cross-Domain Facial Expression Recognition [54.334773598942775]
  ドメインシフトは、クロスドメイン顔表情認識(CD-FER)において重要な課題となる 適応的グローバルローカル表現学習・選択フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-20T02:21:41Z)
• Incremental Semi-supervised Federated Learning for Health Inference via Mobile Sensing [5.434366992553875]
  我々は,段階的な半教師付きフェデレート学習アルゴリズムであるFedMobileを提案する。 インフルエンザ様症状認識のための実世界のモバイルセンシングデータセットを用いてFedMobileを評価した。
  論文  参考訳（メタデータ） (2023-12-19T23:39:33Z)
• Privacy-preserving Speech Emotion Recognition through Semi-Supervised Federated Learning [0.8508198765617195]
  音声感情認識(英: Speech Emotion Recognition, SER)とは、人間の感情を自然な音声から認識することである。 既存のSERアプローチは、ユーザのプライバシを考慮せずに、主に集中している。 本稿では,フェデレート学習の概念を利用して,プライバシ保護とデータ効率のよいSER手法を提案する。
  論文  参考訳（メタデータ） (2022-02-05T18:30:23Z)
• Towards Unbiased Visual Emotion Recognition via Causal Intervention [63.74095927462]
  本稿では,データセットバイアスによる負の効果を軽減するために,新しい感情認識ネットワーク(IERN)を提案する。 IERNの有効性を検証する一連の設計されたテストと、3つの感情ベンチマークの実験は、IERNが他の最先端のアプローチよりも優れていることを示した。
  論文  参考訳（メタデータ） (2021-07-26T10:40:59Z)
• Learning Language and Multimodal Privacy-Preserving Markers of Mood from Mobile Data [74.60507696087966]
  精神状態は、先進医療に共通する国でも診断されていない。 人間の行動を監視するための有望なデータソースのひとつは、日々のスマートフォンの利用だ。 本研究では,自殺行動のリスクが高い青少年集団の移動行動のデータセットを用いて,日常生活の行動マーカーについて検討した。
  論文  参考訳（メタデータ） (2021-06-24T17:46:03Z)
• Robustness Threats of Differential Privacy [70.818129585404]
  我々は、いくつかの設定で差分プライバシーをトレーニングしたネットワークが、非プライベートバージョンに比べてさらに脆弱であることを実験的に実証した。 本研究では,勾配クリッピングや雑音付加などのニューラルネットワークトレーニングの主成分が,モデルの堅牢性に与える影響について検討する。
  論文  参考訳（メタデータ） (2020-12-14T18:59:24Z)

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。