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

Riepilogo Tecnico: Apprendimento Federato tramite Comunicazione sul Corpo Umano per l'Intelligenza Edge Indossabile

Enunciato del Problema
Il documento affronta una critica disconnessione tra due consolidati domini di ricerca: l'Apprendimento Federato (FL) per dispositivi indossabili e la Comunicazione sul Corpo Umano (HBC). Sebbene l'FL sia riconosciuto per ridurre la centralizzazione dei dati grezzi nella rilevazione fisiologica, e l'HBC sia noto per localizzare le comunicazioni e ridurre le perdite radio, essi sono raramente integrati. La letteratura esistente sull'FL per indossabili tende ad astrarre il livello di comunicazione come una generica rete wireless, ignorando i vincoli unici dell'HBC. Viceversa, la ricerca sull'HBC spesso astrae il traffico di apprendimento. Questo divario crea un sistema subottimale in cui i protocolli di apprendimento potrebbero selezionare client in momenti inappropriati, sprecare energia in retrasmissioni a causa di guasti del collegamento dipendenti dalla postura, o polarizzare i modelli verso sensori con collegamenti "più facili", tutto ciò mentre non sfruttano appieno i benefici della privacy derivanti dal mantenere i dati grezzi sul corpo.

Metodologia
Il documento propone un quadro per l'Apprendimento Federato Consapevole del Canale Corporeo, in cui la selezione dei client, la compressione degli aggiornamenti, l'aggregazione e l'equità sono co-progettati con lo stato fisico del canale HBC.

1. Modello di Sistema: Gli autori definiscono uno scenario intra-WBAN (Wireless Body-Area Network) in cui sensori indossabili (client) trasmettono aggiornamenti di modello compressi a un hub corporeo tramite collegamenti HBC/BCC. Lo stato del canale è dinamico, dipendente dalla postura, dal movimento e dalla posizione corporea, influenzando l'attenuazione di percorso, i tassi di errore dei pacchetti e il consumo energetico.
2. Formulazione di Ottimizzazione: Viene formulato un problema di ottimizzazione vincolata per minimizzare la perdita di modello attesa rispettando i budget energetici, i limiti di memoria e i vincoli di latenza. La funzione obiettivo bilancia l'utilità dell'apprendimento, il costo energetico, il costo temporale, l'equità tra le posizioni corporee e i proxy del rischio di privacy.
3. Algoritmo di Programmazione (BODYFED-HBC): Viene introdotto un algoritmo di programmazione greedy. Seleziona i client basandosi su una funzione di utilità decomposta che tiene conto di:
   • Valore e Novità dell'Aggiornamento: Il contributo informativo dei dati locali.
   • Costo del Canale: Energia stimata e probabilità di successo del pacchetto derivata dai modelli di canale HBC.
   • Debito di Equità: Un meccanismo per prevenire l'esclusione di sensori con collegamenti difficili (es. sensori distali) tracciando la partecipazione storica.
   • Penalità di Covarianza: Termini che scoraggiano la selezione di client i cui collegamenti falliscono simultaneamente (guasti correlati) e premiano la diversità degli aggiornamenti.
4. Correzione del Bias: Per contrastare la tendenza degli scheduler consapevoli del canale a favorire collegamenti affidabili (es. torace-hub) rispetto a quelli difficili (es. caviglia-hub), il documento propone un metodo di aggregazione consapevole dell'affidabilità a propensione inversa. Questo aggiusta i pesi di aggregazione in base alla probabilità media mobile di un client di essere selezionato, garantendo che i sensori distali contribuiscano al modello globale nonostante la minore affidabilità del collegamento.
5. Vignetta Riproducibile: Riconoscendo la mancanza di tracce pubbliche di pacchetti HBC etichettate per postura, gli autori propongono una vignetta computazionale. Questa consiste nel combinare dataset pubblici per indossabili (PAMAP2, MHEALTH, WESAD) con dataset empirici di perdita di segnale BCC (Ormanis et al.) per emulare round di FL vincolati dall'HBC in un ambiente Jupyter.

Principali Contributi
Il documento apporta sei contributi specifici:

1. Saggio di Scoping: Una revisione completa dell'FL per indossabili, dei livelli fisici HBC/BCC, dell'intelligenza edge WBAN e della privacy IoT.
2. Tassonomia: Una classificazione delle architetture di apprendimento che distingue tra intra-WBAN FL, body-hub FL, cross-user FL, clinical/vendor FL e varianti ibride di split/distillazione.
3. Distinzione sulla Privacy: Una delimitazione precisa dei livelli di privacy, distinguendo tra privacy del collegamento HBC (confinamento fisico) e privacy dei dati grezzi/aggiornamenti del modello (protezione crittografica/statistica).
4. Architettura di Riferimento (BODYFED-HBC): Un'architettura concreta che include una formulazione di ottimizzazione vincolata e un algoritmo di programmazione consapevole del canale corporeo.
5. Progetto Computazionale: Una vignetta di simulazione riproducibile che utilizza dataset pubblici per dimostrare come testare la programmazione consapevole del canale corporeo senza richiedere hardware personalizzato.
6. Agenda di Ricerca: Identificazione di dataset mancanti, formati di traccia e metriche, chiedendo specificamente tracce HBC pubbliche, a livello di pacchetto e etichettate per postura, allineate ai compiti degli indossabili.

Risultati e Valutazione
In quanto documento di revisione e architettura di riferimento, non presenta risultati hardware misurati. Fornisce invece:

• Output Illustrativo dell'Emulatore: Curve deterministiche da un emulatore di esempio che dimostrano come lo scheduler proposto possa raggiungere l'accuratezza target con rapporti energia-target inferiori rispetto a baseline naive, senza escludere posizioni corporee difficili.
• Analisi di Pareggio: Un calcolo teorico che confronta il costo energetico dello streaming grezzo rispetto all'FL. Il documento nota che l'FL è interessante solo quando il costo energetico dell'addestramento locale e della trasmissione degli aggiornamenti è inferiore allo streaming grezzo continuo, o quando la privacy/apprendimento cross-user giustifica il costo aggiuntivo.
• Lista di Controllo per la Valutazione: Un insieme proposto di baseline (es. streaming grezzo, selezione casuale, selezione basata solo sul canale) e metriche (es. F1 della posizione peggiore, energia-per-target-F1) per futuri lavori sperimentali.

Significato e Affermazioni
Il documento si posiziona modestamente come una revisione di scoping e un'agenda di ricerca piuttosto che una validazione completa di sistemi sperimentali. Il suo significato principale risiede nella sintesi dei campi HBC e FL in un quadro coerente "consapevole del canale corporeo".

• Colmare il Divario: Fornisce le astrazioni necessarie (distribuzioni di perdita del canale, modelli di successo dei pacchetti, stime di energia per bit) affinché gli informatici possano lavorare su apprendimenti consapevoli dell'HBC senza progettare trasmettitori analogici.
• Definire il Problema: Sostiene che l'"area di ricerca mancante" non è semplicemente applicare l'FL agli indossabili, ma specificamente adattare i protocolli FL alla natura dinamica, dipendente dalla postura e vincolata energeticamente del corpo umano come canale di comunicazione.
• Percorso Azionabile: Offre un percorso pratico e a basso rischio per i ricercatori: iniziare con dataset pubblici e modelli di perdita empirici per validare la logica di programmazione prima di tentare l'integrazione hardware completa. Il documento conclude che, sebbene un documento completo sui sistemi sperimentali richieda tracce misurate, il sondaggio, la tassonomia e la vignetta proposti forniscono una base credibile per far avanzare il campo.