Federated Learning over Human-Body Communication for On-Body Edge Intelligence: A Survey, Taxonomy, and BODYFED-HBC Scheduling Vignette

Resumen Técnico: Aprendizaje Federado sobre Comunicación por Cuerpo Humano para Inteligencia en el Borde Corporal

Enunciado del Problema
El artículo aborda una desconexión crítica entre dos dominios de investigación establecidos: el Aprendizaje Federado (FL) para dispositivos portátiles y la Comunicación por Cuerpo Humano (HBC). Si bien el FL es reconocido por reducir la centralización de datos crudos en la detección fisiológica, y el HBC es conocido por localizar la comunicación y reducir las fugas de radio, rara vez se integran. La literatura existente sobre FL en dispositivos portátiles suele abstraer la capa de comunicación como redes inalámbricas genéricas, ignorando las restricciones únicas del HBC. Por el contrario, la investigación sobre HBC a menudo abstrae el tráfico de aprendizaje. Esta brecha crea un sistema subóptimo donde los protocolos de aprendizaje pueden seleccionar clientes en momentos inapropiados, desperdiciar energía en retransmisiones debido a fallos de enlace dependientes de la postura, o sesgar los modelos hacia sensores con enlaces "más fáciles", todo ello sin aprovechar plenamente los beneficios de privacidad de mantener los datos crudos en el cuerpo.

Metodología
El artículo propone un marco para el Aprendizaje Federado Consciente del Canal Corporal, donde la selección de clientes, la compresión de actualizaciones, la agregación y la equidad se diseñan conjuntamente con el estado físico del canal HBC.

1. Modelo del Sistema: Los autores definen un escenario intra-WBAN (Red de Área Corporal Inalámbrica) donde los sensores corporales (clientes) transmiten actualizaciones de modelo comprimidas a un hub corporal mediante enlaces HBC/BCC. El estado del canal es dinámico, dependiente de la postura, el movimiento y la ubicación corporal, afectando la pérdida de trayectoria, las tasas de error de paquetes y el consumo de energía.
2. Formulación de Optimización: Se formula un problema de optimización con restricciones para minimizar la pérdida de modelo esperada mientras se cumplen presupuestos de energía, límites de memoria y restricciones de latencia. La función objetivo equilibra la utilidad del aprendizaje, el costo energético, el costo temporal, la equidad entre ubicaciones corporales y los indicadores de riesgo de privacidad.
3. Algoritmo de Programación (BODYFED-HBC): Se introduce un algoritmo de programación codicioso. Selecciona clientes basándose en una función de utilidad descompuesta que considera:
   • Valor y Novedad de la Actualización: La contribución informativa de los datos locales.
   • Costo del Canal: Energía estimada y probabilidad de éxito de paquetes derivada de modelos de canal HBC.
   • Deuda de Equidad: Un mecanismo para evitar la exclusión de sensores con enlaces difíciles (por ejemplo, sensores distales) mediante el seguimiento de la participación histórica.
   • Penalizaciones de Covarianza: Términos que desalientan la selección de clientes cuyos enlaces fallan simultáneamente (fallos correlacionados) y recompensan la diversidad de actualizaciones.
4. Corrección de Sesgo: Para contrarrestar la tendencia de los programadores conscientes del canal a favorecer enlaces fiables (por ejemplo, pecho-a-hub) sobre los difíciles (por ejemplo, tobillo-a-hub), el artículo propone un método de agregación consciente de la fiabilidad basado en la inversa de la propensión. Esto ajusta los pesos de agregación en función de la probabilidad de media móvil de que un cliente sea seleccionado, asegurando que los sensores distales contribuyan al modelo global a pesar de una menor fiabilidad del enlace.
5. Vigneta Reproducible: Reconociendo la falta de trazas de paquetes HBC públicas etiquetadas por postura, los autores proponen una vigneta computacional. Esto implica combinar conjuntos de datos públicos de dispositivos portátiles (PAMAP2, MHEALTH, WESAD) con conjuntos de datos empíricos de pérdida de señal BCC (Ormanis et al.) para emular rondas de FL restringidas por HBC en un entorno Jupyter.

Contribuciones Clave
El artículo realiza seis contribuciones específicas:

1. Encuesta de Alcance: Una revisión exhaustiva del FL para dispositivos portátiles, las capas físicas HBC/BCC, la inteligencia en el borde de WBAN y la privacidad del IoT.
2. Taxonomía: Una clasificación de arquitecturas de aprendizaje que distingue entre FL intra-WBAN, FL hub-corporal, FL entre usuarios, FL clínico/de proveedor y variantes híbridas de división/distilación.
3. Distinción de Privacidad: Una delimitación precisa de las capas de privacidad, diferenciando entre la privacidad del enlace HBC (confinamiento físico) y la privacidad de datos crudos/actualizaciones de modelo (protección criptográfica/estadística).
4. Arquitectura de Referencia (BODYFED-HBC): Una arquitectura concreta que incluye una formulación de optimización con restricciones y un algoritmo de programación consciente del canal corporal.
5. Planos Computacionales: Una vigneta de simulación reproducible utilizando conjuntos de datos públicos para demostrar cómo probar la programación consciente del canal corporal sin requerir hardware personalizado.
6. Agenda de Investigación: Identificación de conjuntos de datos, formatos de trazas y métricas faltantes, llamando específicamente a trazas HBC públicas, a nivel de paquetes y etiquetadas por postura, alineadas con tareas de dispositivos portátiles.

Resultados y Evaluación
Como un artículo de encuesta y arquitectura de referencia, no presenta resultados de hardware medidos. En su lugar, proporciona:

• Salida Ilustrativa del Emulador: Curvas deterministas de un emulador de juguete que demuestran que el programador propuesto puede lograr la precisión objetivo con relaciones energía-objetivo más bajas en comparación con las líneas base ingenuas, sin excluir ubicaciones corporales difíciles.
• Análisis de Punto de Equilibrio: Un cálculo teórico que compara el costo energético del flujo continuo de datos crudos versus el FL. El artículo señala que el FL solo es atractivo cuando el costo energético del entrenamiento local y la transmisión de actualizaciones es menor que el flujo continuo de datos crudos, o cuando la privacidad/aprendizaje entre usuarios justifica el costo adicional.
• Lista de Verificación de Evaluación: Un conjunto propuesto de líneas base (por ejemplo, flujo continuo de datos crudos, selección aleatoria, selección solo por canal) y métricas (por ejemplo, F1 de la peor ubicación, energía-objetivo-F1) para trabajos experimentales futuros.

Significado y Afirmaciones
El artículo se posiciona modestamente como una revisión de alcance y agenda de investigación en lugar de una validación completa de sistemas experimentales. Su significado principal radica en sintetizar los campos del HBC y el FL en un marco coherente "consciente del canal corporal".

• Cerrando la Brecha: Proporciona las abstracciones necesarias (distribuciones de pérdida de canal, modelos de éxito de paquetes, estimaciones de energía por bit) para que los científicos informáticos trabajen en el aprendizaje consciente del HBC sin diseñar transceptores analógicos.
• Definiendo el Problema: Argumenta que el "área de investigación faltante" no es solo aplicar FL a dispositivos portátiles, sino específicamente adaptar los protocolos de FL a la naturaleza dinámica, dependiente de la postura y con restricciones energéticas del cuerpo humano como canal de comunicación.
• Camino Accionable: Ofrece un camino práctico y de bajo riesgo para los investigadores: comenzar con conjuntos de datos públicos y modelos de pérdida empíricos para validar la lógica de programación antes de intentar la integración completa de hardware. El artículo concluye que, aunque un artículo completo de sistemas experimentales requiere trazas medidas, la encuesta propuesta, la taxonomía y la vigneta proporcionan una base creíble para que el campo avance.