Aplicación de aprendizaje federado para reconocimiento de actividades humanas

Abstract

En la presente tesis se exploró una nueva metodología para el entrenamiento de modelos teniendo en cuenta la preservación de privacidad por medio de entrenamientos locales, en contraste con el método tradicional centralizado. En el capítulo 1 se detalla la definición y aplicaciones de Reconocimiento de Actividad Humana (HAR, por sus siglas en inglés) en ámbitos como Entornos Inteligentes, Internet de las Cosas (IoT) y Computación consciente del contexto. Por otra parte, definimos Aprendizaje Federado, los nodos, su categorización, desafíos actuales, los principales métodos de agregación, las diferencias con el aprendizaje centralizado y aplicaciones actuales. Por último, definimos la problemática enfocada en la privacidad de datos y los objetivos de la investigación. En el capítulo 2 realizamos un análisis descriptivo de los conjuntos de datos NoFed y MHeatlh. Luego, describimos la implementación de Aprendizaje Federado con las consideraciones asumidas. Además, mencionamos las métricas utilizadas para evaluar el rendimiento Tradicional vs Federado. Finalmente, en el capítulo 3 se brindan los resultados del Modelo Tradicional y Federado para ambos conjunto de datos teniendo en cuenta diferentes niveles de comunicación.