Il progetto per la mia tesi di laurea triennale all'Università di Bologna in Informatica.
Dato il notevole aumento di dispositivi indossabili e mobili in grado di utilizzare sensori per raccogliere dati sulle attività svolte, la ricerca nel campo della Human Activity Recognition (HAR) sta attirando sempre più attenzione. Tuttavia, la maggior parte delle ricerche in questo ambito si avvale di una considerevole quantità di dati provenienti da diversi sensori per ottenere un'alta precisione. Come già evidenziato, questo approccio presenta problematiche sia in termini di privacy che di costi per la trasmissione dei dati. Come mostrato in alcuni studi, il federated learning è stato già considerato come soluzione a tali problemi. Tuttavia, come riscontrato nella maggior parte degli studi condotti finora, sono state valutate esclusivamente tecniche supervisionate. Di conseguenza, l'obiettivo di questa tesi si concentra sull'implementazione e il confronto tra il modello centralizzato, quello singolo (in cui ogni utente ha il proprio modello senza uno generalizzato da cui partire) e quello federato, attraverso l'utilizzo di una tecnica non supervisionata nota come Self Organizing Map.
- ”load” o ”gen” o ”a-gen” rispettivamente per caricare il data- set, generarlo senza analisi anova o generarlo con analisi anova.
- un numero da uno a 30 per scegliere quanti soggetti utilizzare.
- ”centr” o ”no-centr” rispettivamente per includere nel test il sistema centralizzato oppure no.
- ”sing” o ”no-sing” rispettivamente per includere nel test il si- stema singolo oppure no.
- ”fed” o ”no-fed” rispettivamente per includere nel test il sistema federato oppure n