Proceedings of the Korea Information Processing Society Conference (한국정보처리학회:학술대회논문집)

  • 2024.05a
  • /
  • Pages.764-767
  • /
  • 2024
  • /
  • 2005-0011(pISSN)
  • /
  • 2671-7298(eISSN)
Korea Information Processing Society (한국정보처리학회)
권호 표지

Stress Affect Detection At Wearable Devices Via Clustered Federated Learning Based On Number of Samples Mahalanobis Distance

웨어러블 기기에서 데이터수 기반 마하라노비스 군집화 연합학습을 통한 스트레스 및 감정탐지

  • Tae-Hwan Yoon (School of Computer Science, and Engineering, Soongsil University) ;
  • Bong-Jun Choi (School of Computer Science, and Engineering, Soongsil University)
  • 윤태환 (숭실대학교 컴퓨터학과) ;
  • 최봉준 (숭실대학교 컴퓨터학과)
  • Published : 2024.05.23
Download PDF
⟨ Previous Next ⟩

Abstract

웨어러블 디바이스에서는 사용자의 다양한 메타데이터를 수집할 수 있다. 그러나 이런 개인정보를 함유하고 있는 데이터를 수집하는 것은 사용자에게 개인정보침해 위협을 야기한다. 때문에 본 논문에서는 개인정보보호를 통한 웨어러블 디바이스 데이터활용방안으로 연합학습을 채택하였다. 다만 기존 연합학습에서도 해결해야할 문제점들이 있다. 우리는 그중에서도 데이터이질성(Data Heterogeneity) 문제해결을 위해 군집화(Clustering) 방법을 활용하였다. 또한 기존의 코사인유사도 기반 군집화에서 파라미터중요도가 반영되지 않는다는 문제점을 해결하고자 데이터수 기반 마하라노비스거리(Number of Samples Mahalanobis Distance) 군집화 방법을 제시하였다. 이를 통해 WESAD(Werable Stress Affect Detection)데이터에서 피실험자의 데이터 이질성이 존재하는 상황에서 기존 연합학습보다 학습 안정성 측면에서 좋음을 보여주었다.

Keywords

Acknowledgement

본 성과는 과학기술정보통신부의 재원으로 한국연구재단의 지원을 받아 수행된 연구이며(NRF-2022R1A2C4001270), 또한 과학기술정보통신부 및 정보통신기획평가원의 대학ICT연구센터육성지원사업의 연구결과로 수행되었음(IITP-2022-2020-0-01602).

References

  1. McMahan, et al. "Communication-efficient learning of deep networks from decentralized data." Artificial intelligence and statistics. PMLR, 2017.
  2. Jiang, et al. "Federated clustered multi-domain learning for health monitoring." Scientific Reports 14.1 (2024): 903.
  3. Schmidt, et al. "Introducing wesad, a multimodal dataset for wearable stress and affect detection." Proceedings of the 20th ACM international conference on multimodal interaction. 2018.
  4. Hochreiter, et al. "Long short-term memory." Neural computation 9.8 (1997): 1735-1780.
  5. omerbsezer.LSTM_RNN_Tutorials_with_Demo.GitHub, (2018),https://github.com/omerbsezer/LSTM_RNN_Tutorials_with_Demo?tab=readme-ov-file
  6. Yoo, Joo Hun, et al. "Open problems in medical federated learning." International Journal of Web Information Systems 18.2/3 (2022): 77-99.
  7. Sattler, et al. "Clustered federated learning: Model-agnostic distributed multitask optimization under privacy constraints." IEEE transactions on neural networks and learning systems 32.8 (2020): 3710-3722.