《Sensors》：FedREPA: Relation-Enhanced Prototype Alignment for Heterogeneous Federated Human Activity Recognition
编辑推荐：
可穿戴传感器场景下的联邦人体活动识别（Federated Human Activity Recognition, HAR）面临标签偏斜的客户端数据、局部活动类别缺失以及小批次负样本稀缺等挑战。研究人员提出FedREPA，一种由关系引导的框架，将缺失类别感知的关
可穿戴传感器场景下的联邦人体活动识别（Federated Human Activity Recognition, HAR）面临标签偏斜的客户端数据、局部活动类别缺失以及小批次负样本稀缺等挑战。研究人员提出FedREPA，一种由关系引导的框架，将缺失类别感知的关系一致性与原型对比学习相耦合。客户端从共享的全局类别原型中推导类别间关系先验，通过掩码关系一致性损失将本地支持的类别关系行与该先验对齐；同一先验在原型对比损失中对负类别重新赋权，在信任分数固定时更强调邻近原型。全局原型提供跨客户端的阳性与阴性锚点，包括本地缺失活动的阴性样本。在UCI HAR、PAMAP2、CIFAR-10与CIFAR-100上，于模拟的Dirichlet标签偏斜下，FedREPA在每个被测Dirichlet水平上与十个基线对比均取得已观测到的最高平均全局测试准确率，采用每次运行末五个评估点。FedTGP、FedDPA与FedAli-PHAR未被评估，不声称相对它们有优势；其与受限基线FedGPS-Core的配对准确率差距平均约一个百分点。最坏客户端准确率在UCI HAR与CIFAR-10所示方法中最高，而CIFAR-10上的选定类别召回表现混合。这些发现是在所评估Dirichlet标签偏斜协议下的描述性比较，未验证受试者划分、设备异质性与传感器放置变化下的表现及临床适用性。
研究背景与问题提出
在人体活动识别（Human Activity Recognition, HAR）中，可穿戴与移动传感器持续产生高度隐私敏感的时序信号。联邦学习（Federated Learning, FL）仅让客户端上传模型更新而非原始数据，天然适配该场景。然而现实部署存在显著非独立同分布（non-IID）问题：不同受试者执行不同活动且频率各异，单个客户端常仅覆盖部分类别，局部小批次中缺乏判别学习所需的负样本；同时语义相近活动（如坐与站）易被混淆，各客户端对同一活动的类别边界不一致。标准FedAvg按样本量聚合参数，无法纠正此类语义错位，在标签偏斜下优化不稳定、全局精度下降。现有方法从优化校正、原型语义对齐、对比表征、锐度感知最小化等角度缓解异质性，但少有显式利用类别间关系几何来重塑本地对比学习与关系一致性。
研究人员开展的研究与意义
研究人员提出FedREPA（Federated Relation-Enhanced Prototype Alignment，联邦关系增强原型对齐）框架，核心贡献在于联合使用由全局原型导出的类别间关系先验：一方面用于缺失类别感知的掩码关系一致性，另一方面用于原型对比损失中的类别依赖负样本加权。该框架在Dirichlet标签偏斜协议下，于四个基准数据集上取得所比较方法中的最高观测平均全局准确率，并为缺失类别提供跨客户端对比锚点，对联邦HAR及广义非IID分类具有方法学参考意义。
主要关键技术方法
研究人员采用Dirichlet划分构造标签偏斜客户端，在UCI HAR（官方受试者无关划分训练池）、PAMAP2（受试者内时间切分防泄漏）、CIFAR-10与CIFAR-100上训练。骨干分别为一维卷积（SensorCNN）、SimpleCNN与ResNet-18（带GroupNorm）。每轮服务端下发全局模型、原型与可选类别信任；客户端由全局原型计算行归一化关系先验R，维护带停止梯度的关系缓存，以掩码Jensen–Shannon散度匹配本地支持类别关系分布；同时以全局原型为跨客户端正/负锚点，按关系概率重加权负样本进行对比学习，并结合交叉熵优化编码器。可选模块含类别信任评分、语义SAM（报告中头部分支无有效扰动）与信任加权聚合。超参经独立验证集选定，结果取末五评估点三种子均值。
研究结果
3 提出方法
3.1 问题设定：定义C类、K客户端、归一化编码器特征与本地/全局原型，缺失类别掩码仅作用于关系损失行。
3.2 框架概览：每轮广播模型与原型，客户端重算关系先验、估计本地原型、联合优化关系一致性与原型对比，上传更新、原型、计数、离散度、信任与关系偏离。
3.3 缺失类别感知全局关系先验：由全局原型余弦相似度经温度τr行softmax得R；本地可微原型对未见类仅作锚点；缓存EMA混合仅梯度流经当前批次。
3.4 关系增强原型对比学习：负权wcn由关系概率与信任下界构成，对比损失Lproto以全局原型为正负锚，邻近易混淆类获更强分离压力。
3.5 条件增强：类别信任由原型一致性、类内离散度与样本量合成；语义SAM选定分类头时梯度为零故无扰动；信任加权聚合以结构偏离与信任形成权重，β=0退化为FedAvg。
3.6 通信与计算开销：额外上传原型与统计，关系先验本地计算不上传；推理无额外训练模块。
4 实验
4.1 实验设置：十基线涵盖参数校正、表征对齐与SAM族，最强评估基线为去除代理路径的FedGPS-Core；FedTGP/FedDPA/FedAli-PHAR仅作定性讨论未跑实验。
4.2 主要结果：FedREPA在16个数据集×α设定中均观测最高均值全局准确率，相对FedGPS-Core平均高约1pp，48个同种子配对差全为正，但属描述性而非显著性结论。
4.3 选定类别召回与最坏客户端准确率：最坏客户端准确率在UCI HAR与CIFAR-10领先；选定类别召回在CIFAR-10部分α下不及FedGPS-Core，故不宣称全指标占优。
4.4 消融研究：去关系或去对比损失掉点明显；信任门控收益数据集依赖；SAM分支因零扰动不贡献可证收益；模块贡献为探索性关联而非因果归因。
4.5 收敛行为：轨迹描述性，重叠SD带限制逐轮小差解释，不证明扰动鲁棒性或时钟优势。
讨论与结论翻译
讨论指出：FedREPA在信息交换协议下共享原型、计数与离散度，对诚实但好奇服务端存在披露风险，安全聚合与差分隐私为未来方向且未实现。结论为：研究人员提出关系引导的联邦原型对齐方法，在Dirichlet标签偏斜下通过共享关系先验耦合结构一致性与样本级对比区分；实验显示其在评估基线与设定中取得最高观测全局与最坏客户端准确率，但结果为描述性比较，未验证受试者、设备、传感器放置异质性与临床适用，亦未确立相对未评估近邻方法的优势。
