یادگیری فدرال مقاوم به نویز مبتنی بر لایه های عصبی راف برای طبقه بندی فعالیت های انسانی در داده های حسگر

سیگنال های حسگرهای پوشیدنی در محیط های واقعی همواره با نویزهای مخربی مانند خطاهای کالیبراسیون، لرزش های حرکتی و تداخلات الکترومغناطیسی آلوده می شوند. این نویزها مرزهای تصمیم گیری شبکه های عصبی عمیق را مختل کرده و افت شدید دقت را در تشخیص فعالیت انسانی به دنبال دارند. یادگیری فدرال نیز به دلیل ماهیت توزیع شده، در برابر این اختلالات آسیب پذیرتر است. جهت غلبه بر این چالش بنیادین، مقاله حاضر معماری نوین و تاب آوری به نام FedRough را معرفی می کند که برای نخستین بار تئوری مجموعه های راف را در بطن محاسبات فدرال ادغام می نماید. نوآوری اصلی این رویکرد، جایگزینی لایه تمام متصل استاندارد با یک لایه متراکم راف است. این ساختار با بهره گیری از دو مسیر وزن دهی مجزا شامل کران پایین غیرمثبت جهت استخراج الگوهای استوار و کران بالا غیرمنفی جهت پایش نوسانات نویز و سپس ترکیب آن ها با عملگرهای کمینه و بیشینه و میانگین گیری، اعوجاجات سیگنالی را در یک ناحیه مرزی عدم قطعیت محبوس می سازد. به منظور ارزیابی شرایط عملیاتی، ۴۰ کلاینت از مجموعه داده های ناهمگن HARTH و HAR۷۰+ در چهار گروه با سطوح نویزی مشخص شامل بازه پنج تا ۲۵ دسی بل و یک حالت فاقد نویز، تحت اعمال نویز گوسی سفید افزایشی متناسب با توان هر پنجره، دسته بندی شدند. یافته های حاصل از اعتبارسنجی متقاطع پنج-فولد مستقل از کاربر نشان می دهد که معماری FedRough در بحرانی ترین سطح اختلال یعنی پنج دسی بل، موفق به ثبت دقت متوازن ۹۴.۶۶ درصد و شاخص اف-یک کلان ۹۳.۲۵ درصد شده است که بهبود قابل توجهی را نسبت به مدل فاقد لایه راف با دقت ۹۲.۶۴ درصد نشان می دهد. این مکانیزم ریاضیاتی بدون افزودن پارامترهای آموزش پذیر جدید، انحراف معیار سیستم را به کمتر از نصف کاهش داده و برتری قاطع خود را در مقایسه با پنج معماری پیشرفته فدرال در محیط های پرنویز به اثبات می رساند.

کلیدواژه ها:

سری های زمانی ، مدل فدرال مقاوم ، تئوری مجموعه های راف ، لایه متراکم راف ، نسبت سیگنال به نویز