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

Résumé technique : Apprentissage fédéré sur la communication par corps humain pour l'intelligence de périphérie sur le corps

Énoncé du problème
L'article traite d'une rupture critique entre deux domaines de recherche établis : l'apprentissage fédéré (FL) pour les dispositifs portables et la communication par corps humain (HBC). Si le FL est reconnu pour réduire la centralisation des données brutes dans la détection physiologique, et si la HBC est connue pour localiser la communication et réduire les fuites radio, elles sont rarement intégrées. La littérature existante sur le FL portable abstrait généralement la couche de communication comme un réseau sans fil générique, ignorant les contraintes uniques de la HBC. Inversement, la recherche sur la HBC abstrait souvent le trafic d'apprentissage. Ce fossé crée un système sous-optimal où les protocoles d'apprentissage peuvent sélectionner des clients à des moments inappropriés, gaspiller de l'énergie en retransmissions en raison d'échecs de liaison dépendants de la posture, ou biaiser les modèles vers des capteurs ayant des liaisons « plus faciles », tout en échouant à exploiter pleinement les avantages de confidentialité du maintien des données brutes sur le corps.

Méthodologie
L'article propose un cadre pour un Apprentissage Fédéré Conscient du Canal Corporel, où la sélection des clients, la compression des mises à jour, l'agrégation et l'équité sont co-conçus avec l'état physique du canal HBC.

1. Modèle de système : Les auteurs définissent un scénario intra-RBAN (Réseau sans fil à aire corporelle) où des capteurs sur le corps (clients) transmettent des mises à jour de modèle compressées à un hub corporel via des liaisons HBC/BCC. L'état du canal est dynamique, dépendant de la posture, du mouvement et de l'emplacement corporel, affectant l'atténuation de propagation, les taux d'erreur de paquets et la consommation d'énergie.
2. Formulation d'optimisation : Un problème d'optimisation sous contraintes est formulé pour minimiser la perte de modèle attendue tout en respectant les budgets énergétiques, les limites de mémoire et les contraintes de latence. La fonction objectif équilibre l'utilité de l'apprentissage, le coût énergétique, le coût temporel, l'équité entre les emplacements corporels et les proxies de risque de confidentialité.
3. Algorithme de planification (BODYFED-HBC) : Un algorithme de planification glouton est introduit. Il sélectionne les clients sur la base d'une fonction d'utilité décomposée qui prend en compte :
   • Valeur et nouveauté de la mise à jour : La contribution informationnelle des données locales.
   • Coût du canal : Énergie estimée et probabilité de succès des paquets dérivées des modèles de canal HBC.
   • Dette d'équité : Un mécanisme pour prévenir l'exclusion de capteurs ayant des liaisons difficiles (par exemple, capteurs distaux) en suivant la participation historique.
   • Pénalités de covariance : Termes qui découragent la sélection de clients dont les liaisons échouent simultanément (échecs corrélés) et récompensent la diversité des mises à jour.
4. Correction de biais : Pour contrer la tendance des planificateurs conscients du canal à favoriser les liaisons fiables (par exemple, poitrine-vers-hub) par rapport aux liaisons difficiles (par exemple, cheville-vers-hub), l'article propose une méthode d'agrégation consciente de la fiabilité par propension inverse. Cela ajuste les poids d'agrégation en fonction de la probabilité mobile d'un client d'être sélectionné, garantissant que les capteurs distaux contribuent au modèle global malgré une fiabilité de liaison inférieure.
5. Vignette reproductible : Reconnaissant l'absence de traces de paquets HBC publiques étiquetées par posture, les auteurs proposent une vignette computationnelle. Celle-ci consiste à combiner des ensembles de données portables publics (PAMAP2, MHEALTH, WESAD) avec des ensembles de données empiriques de perte de signal BCC (Ormanis et al.) pour émuler des tours de FL contraints par la HBC dans un environnement Jupyter.

Contributions clés
L'article apporte six contributions spécifiques :

1. Enquête de délimitation : Une revue complète du FL pour les dispositifs portables, des couches physiques HBC/BCC, de l'intelligence de périphérie RBAN et de la confidentialité IoT.
2. Taxonomie : Une classification des architectures d'apprentissage distinguant le FL intra-RBAN, le FL hub-corps, le FL inter-utilisateurs, le FL clinique/fournisseur, et les variantes hybrides de séparation/distillation.
3. Distinction de confidentialité : Une délimitation précise des couches de confidentialité, distinguant la confidentialité de la liaison HBC (confinement physique) de la confidentialité des données brutes/mises à jour de modèle (protection cryptographique/statistique).
4. Architecture de référence (BODYFED-HBC) : Une architecture concrète incluant une formulation d'optimisation sous contraintes et un algorithme de planification conscient du canal corporel.
5. Plan de calcul : Une vignette de simulation reproductible utilisant des ensembles de données publics pour démontrer comment tester la planification consciente du canal corporel sans nécessiter de matériel personnalisé.
6. Programme de recherche : Identification des ensembles de données manquants, des formats de traces et des métriques, appelant spécifiquement à des traces HBC publiques, au niveau paquet et étiquetées par posture, alignées sur les tâches portables.

Résultats et évaluation
En tant qu'article de revue et d'architecture de référence, il ne présente pas de résultats matériels mesurés. Il fournit plutôt :

• Sortie illustrative de l'émulateur : Courbes déterministes issues d'un émulateur simplifié démontrant que le planificateur proposé peut atteindre une précision cible avec des ratios énergie-cible inférieurs par rapport aux bases de référence naïves, sans exclure les emplacements corporels difficiles.
• Analyse de seuil de rentabilité : Un calcul théorique comparant le coût énergétique du flux continu de données brutes versus le FL. L'article note que le FL n'est attractif que lorsque le coût énergétique de l'entraînement local et de la transmission des mises à jour est inférieur au flux continu de données brutes, ou lorsque la confidentialité/l'apprentissage inter-utilisateurs justifie le coût supplémentaire.
• Liste de contrôle d'évaluation : Un ensemble proposé de bases de référence (par exemple, flux continu de données brutes, sélection aléatoire, sélection basée uniquement sur le canal) et de métriques (par exemple, F1 du pire emplacement, énergie-vers-F1-cible) pour les travaux expérimentaux futurs.

Signification et affirmations
L'article se positionne modestement comme une revue de délimitation et un programme de recherche plutôt que comme une validation complète de systèmes expérimentaux. Sa signification principale réside dans la synthèse des domaines de la HBC et du FL en un cadre cohérent « conscient du canal corporel ».

• Combler le fossé : Il fournit les abstractions nécessaires (distributions de perte de canal, modèles de succès de paquets, estimations d'énergie par bit) pour que les informaticiens travaillent sur l'apprentissage conscient de la HBC sans concevoir de transceivers analogiques.
• Définir le problème : Il soutient que le « domaine de recherche manquant » n'est pas seulement l'application du FL aux dispositifs portables, mais spécifiquement l'adaptation des protocoles FL à la nature dynamique, dépendante de la posture et contrainte en énergie du corps humain en tant que canal de communication.
• Voie d'action : Il offre une voie pratique et à faible risque pour les chercheurs : commencer par des ensembles de données publics et des modèles de perte empiriques pour valider la logique de planification avant de tenter une intégration matérielle complète. L'article conclut que si un article complet sur les systèmes expérimentaux nécessite des traces mesurées, la revue, la taxonomie et la vignette proposées fournissent une base crédible pour faire avancer le domaine.