federated learning vs. knowledge distillation: confronto di tecniche di apprendimento distribuito e validazione per l’analisi di routine fisioterapiche

Negli ultimi anni, la diffusione di sensori e dispositivi intelligenti ha aperto nuove prospettive per la riabilitazione motoria assistita, consentendo il monitoraggio automatico delle prestazioni dei pazienti. Tuttavia, l’adozione di modelli di intelligenza artificiale in ambito clinico è ostacolata dalla natura sensibile e distribuita dei dati sanitari, che ne limita la condivisione e complica l’addestramento centralizzato. Questa tesi affronta tali sfide studiando metodologie di Federated Learning e Knowledge Distillation, con l’obiettivo di sviluppare sistemi di apprendimento cooperativo capaci di preservare la privacy e mantenere elevate prestazioni predittive. Il lavoro si inserisce nel progetto I-TROPHYTS, volto alla creazione di un ecosistema intelligente per la riabilitazione motoria, basato su tecnologie IoT, robotica umanoide e analisi automatica dei segnali fisiologici. Sono state analizzate diverse strategie di federated learning — FedAvg, FedProx, FedAdam e FedAdagrad — e paradigmi distillativi, sia centralizzati che federati. Gli esperimenti, condotti sui dataset FEMNIST e IRDS, hanno valutato le tecniche in condizioni realistiche di distribuzione non-IID, tipiche dei contesti clinici. I risultati mostrano che FedAvg e FedProx garantiscono prestazioni più elevate e stabili rispetto agli approcci basati su ottimizzatori adattivi e alla distillazione, con accuratezze superiori al 90% anche in presenza di forte eterogeneità statistica. Le tecniche distillative, pur vantaggiose in termini di modularità, risultano più sensibili alla qualità del dataset di consenso, evidenziando limiti nella generalizzazione. Nel complesso, la tesi conferma la solidità e l’affidabilità delle strategie federate classiche nei contesti clinici distribuiti, evidenziando come la distillazione della conoscenza, pur promettente, richieda ulteriori adattamenti metodologici per raggiungere la stessa efficacia in scenari reali e complessi.