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

Resumo Técnico: Aprendizado Federado sobre Comunicação pelo Corpo Humano para Inteligência de Borda no Corpo

Declaração do Problema
O artigo aborda uma desconexão crítica entre dois domínios de pesquisa estabelecidos: Aprendizado Federado (FL) para dispositivos vestíveis e Comunicação pelo Corpo Humano (HBC). Embora o FL seja reconhecido por reduzir a centralização de dados brutos na detecção fisiológica, e o HBC seja conhecido por localizar a comunicação e reduzir vazamentos de rádio, eles raramente são integrados. A literatura existente sobre FL em vestíveis tipicamente abstrai a camada de comunicação como redes sem fio genéricas, ignorando as restrições únicas do HBC. Por outro lado, a pesquisa sobre HBC frequentemente abstrai o tráfego de aprendizado. Essa lacuna cria um sistema subótimo onde protocolos de aprendizado podem selecionar clientes em momentos inadequados, desperdiçar energia em retransmissões devido a falhas de enlace dependentes da postura, ou enviesar modelos em direção a sensores com enlaces "mais fáceis", tudo isso enquanto falham em aproveitar plenamente os benefícios de privacidade de manter os dados brutos no corpo.

Metodologia
O artigo propõe um framework para Aprendizado Federado Consciente do Canal Corporal, onde a seleção de clientes, compressão de atualizações, agregação e justiça são co-projetadas com o estado físico do canal HBC.

1. Modelo de Sistema: Os autores definem um cenário intra-WBAN (Rede de Área Corporal Sem Fio) onde sensores no corpo (clientes) transmitem atualizações de modelo comprimidas para um hub corporal via enlaces HBC/BCC. O estado do canal é dinâmico, dependente da postura, movimento e localização corporal, afetando a perda de percurso, taxas de erro de pacote e consumo de energia.
2. Formulação de Otimização: Um problema de otimização com restrições é formulado para minimizar a perda de modelo esperada, aderindo a orçamentos de energia, limites de memória e restrições de latência. A função objetivo equilibra utilidade de aprendizado, custo de energia, custo de tempo, justiça entre localizações corporais e proxies de risco de privacidade.
3. Algoritmo de Agendamento (BODYFED-HBC): Um algoritmo de agendamento ganancioso é introduzido. Ele seleciona clientes com base em uma função de utilidade decomposta que considera:
   • Valor e Novidade da Atualização: A contribuição informacional dos dados locais.
   • Custo do Canal: Energia estimada e probabilidade de sucesso do pacote derivada de modelos de canal HBC.
   • Dívida de Justiça: Um mecanismo para prevenir a exclusão de sensores com enlaces difíceis (por exemplo, sensores distais) rastreando a participação histórica.
   • Penalizações de Covariância: Termos que desencorajam a seleção de clientes cujos enlaces falham simultaneamente (falhas correlacionadas) e recompensam a diversidade de atualizações.
4. Correção de Viés: Para contrabalançar a tendência de agendadores conscientes do canal favorecerem enlaces confiáveis (por exemplo, peito-para-hub) em detrimento de enlaces difíceis (por exemplo, tornozelo-para-hub), o artigo propõe um método de agregação consciente da confiabilidade com propensão inversa. Isso ajusta os pesos de agregação com base na probabilidade de média móvel de um cliente ser selecionado, garantindo que sensores distais contribuam para o modelo global apesar da menor confiabilidade do enlace.
5. Vignette Reprodutível: Reconhecendo a falta de rastreamentos públicos de pacotes HBC rotulados por postura, os autores propõem uma vignette computacional. Isso envolve combinar conjuntos de dados públicos de vestíveis (PAMAP2, MHEALTH, WESAD) com conjuntos de dados empíricos de perda de sinal BCC (Ormanis et al.) para emular rodadas de FL restritas por HBC em um ambiente Jupyter.

Principais Contribuições
O artigo faz seis contribuições específicas:

1. Levantamento de Escopo: Uma revisão abrangente de FL para vestíveis, camadas físicas HBC/BCC, inteligência de borda em WBAN e privacidade na IoT.
2. Taxonomia: Uma classificação de arquiteturas de aprendizado distinguindo entre FL intra-WBAN, FL hub-corporal, FL entre usuários, FL clínico/fornecedor e variantes híbridas de divisão/distilação.
3. Distinção de Privacidade: Uma delimitação precisa de camadas de privacidade, distinguindo entre privacidade do enlace HBC (confinamento físico) e privacidade de dados brutos/atualizações de modelo (proteção criptográfica/estatística).
4. Arquitetura de Referência (BODYFED-HBC): Uma arquitetura concreta incluindo uma formulação de otimização com restrições e um algoritmo de agendamento consciente do canal corporal.
5. Blueprint Computacional: Uma vignette de simulação reprodutível usando conjuntos de dados públicos para demonstrar como testar agendamento consciente do canal corporal sem exigir hardware personalizado.
6. Agenda de Pesquisa: Identificação de conjuntos de dados ausentes, formatos de rastreamento e métricas, chamando especificamente por rastreamentos HBC públicos, em nível de pacote e rotulados por postura, alinhados com tarefas de vestíveis.

Resultados e Avaliação
Como um artigo de levantamento e arquitetura de referência, ele não apresenta resultados medidos de hardware. Em vez disso, fornece:

• Saída Ilustrativa do Emulador: Curvas determinísticas de um emulador simples demonstrando que o agendador proposto pode atingir a precisão alvo com menores razões de energia-para-alvo em comparação com baselines ingênuas, sem excluir localizações corporais difíceis.
• Análise de Ponto de Equilíbrio: Um cálculo teórico comparando o custo energético do streaming bruto versus FL. O artigo observa que o FL é atraente apenas quando o custo energético do treinamento local e transmissão de atualizações é menor que o streaming contínuo de dados brutos, ou quando a privacidade/aprendizado entre usuários justifica o custo extra.
• Lista de Verificação de Avaliação: Um conjunto proposto de baselines (por exemplo, streaming bruto, seleção aleatória, seleção apenas por canal) e métricas (por exemplo, F1 da pior localização, energia-para-F1-alvo) para trabalhos experimentais futuros.

Significado e Alegações
O artigo posiciona-se modestamente como uma revisão de escopo e agenda de pesquisa em vez de uma validação experimental completa de sistemas. Seu significado principal reside em sintetizar os campos de HBC e FL em um framework coerente "consciente do canal corporal".

• Superando a Lacuna: Fornece as abstrações necessárias (distribuições de perda de canal, modelos de sucesso de pacote, estimativas de energia por bit) para cientistas da computação trabalharem em aprendizado consciente de HBC sem projetar transceptores analógicos.
• Definindo o Problema: Argumenta que a "área de pesquisa faltante" não é apenas aplicar FL a vestíveis, mas especificamente adaptar protocolos de FL à natureza dinâmica, dependente da postura e com restrições de energia do corpo humano como canal de comunicação.
• Caminho Acionável: Oferece um caminho prático e de baixo risco para pesquisadores: começar com conjuntos de dados públicos e modelos de perda empíricos para validar a lógica de agendamento antes de tentar integração completa de hardware. O artigo conclui que, embora um artigo completo de sistemas experimentais exija rastreamentos medidos, o levantamento proposto, a taxonomia e a vignette fornecem uma base credível para o avanço do campo.