Federated Learning: un’applicazione per il riconoscimento dell’attività umana

Il Federated Learning è un approccio moderno e innovativo all'Apprendimento Automatico che si pone come obiettivo quello di risolvere i problemi relativi alla privacy e alla tutela dei dati che caratterizzano inevitabilmente i classici algoritmi di Machine o Deep Learning. Questi sono infatti basati sulla centralizzazione totale dei dati, processo che mette a rischio gli utenti, cioè gli stessi produttori di dati, spesso e volentieri ignari dell'utilizzo che i servizi effettivamente ne faranno. L'apprendimento federato promette di superare l' approccio tradizionale, evitando la centralizzazione dei dati e sfruttando le capacità di calcolo dei singoli dispositivi e la loro collaborazione per allenare il modello di turno. Un'architettura del genere, sulla carta, dovrebbe permette di ottenere gli stessi risultati senza andare a minare la sicurezza di chi i dati li crea, evitando il rischio di perdite o di utilizzo illecito. Questa Tesi ha l'obiettivo di capire vantaggi e limiti della classificazione tramite un approccio federato, mediante un caso di studio basato sul riconoscimento delle attività motorie umane da dati dell'Internet of Things (IoT).