federated-learning-1dcnn

IMUセンサデータを用いた連合学習実験コード

概要

• 目的: IMUデータから特定のパターンや状態を分類
• 手法: 1D CNN（畳み込みニューラルネットワーク）
• データ形式: 3軸加速度・角速度データ（.npy形式）
• 分類: 二値分類（positive/negative）

プロジェクト構成

fl_imu/
├── server.py                   #Flowerサーバ
├── client.py                   #Flowerクライアント
├── train_1dcnn.py              #モデル定義 & 学習関数
├── split_npy_to_clients.py     #データ分配
├── computeg0g1.py              #勾配作成関数
├── simulationFedAvg.py         #FedAvg
├── simulationgradFedRE.py      #gradFL
├── neg                         #負例データ
├── pos                         #正例データ
├── data/                       # 学習データ
│    ├──client1/                
│    │    ├── pos/　　　　　　　　　#正例データ
│    │    │   ├── imu_1.npy
│    │    │   └── imu_2.npy
│    │    └── neg/　　　　　　　　　#負例データ
│    │        ├── imu_3.npy
│    │        └── imu_4.npy
│    ├──client2/ 

必要なパッケージ

以下のパッケージを先にインストールする

!pip install -U "flwr[simulation]"
!pip install torch torchvision torchaudio
!pip install numpy

データ形式

• 入力: 3軸IMUデータ（加速度・角速度）
• 形状: (3, N) - 3軸 × 時系列長
• 正規化: Z-score正規化
• パディング: パディング（N < 200 の場合に 200 に揃える）

モデル構成

CNNBinaryClassifier

• モデル名: CNNBinaryClassifier (1D CNN)
• 入力チャンネル: 3（加速度・角速度の3軸）
• ベースチャンネル: 32
• 構造:
  • conv1: Conv1d, 入力チャネル=3, 出力チャネル=16, kernel=5, padding=2
  • bn1: BatchNorm1d(16)
  • conv2: Conv1d, 入力チャネル=16, 出力チャネル=32, kernel=5, padding=2
  • bn2: BatchNorm1d(32)
  • fc1: Linear(32 * 200 → 64)
  • fc2: Linear(64 → 2)
• 活性化関数: ReLU
• Flatten: 全結合層の前に1次元に展開
• 出力: 2クラス（二値分類）

使用方法

1. データの配分

以下のコードを実行、クライアント数とposデータ、negデータのパスを指定

dateディレクトリ以下にランダムかつ均等に分配される

%cd fl_imu_projectgradRE
!python split_npy_to_clients.py

2. proxyデータを用いた勾配作成

以下のコードを実行するとg0.npy/g1.npy が保存される

%cd fl_imu_projectgradRE
!python computeg0g1.py

3. モデル学習の準備

simulationgradFedRE.pyの

G0_PATH = "g0_fc2weight.npy"
G1_PATH = "g1_fc2weight.npy"

を2で作成したg0.npy/g1.npy のパスに書き換える またlast_layer_index=17にする

4. モデル学習の実行

simulationFedAvg.py、simulationgradFedRE.pyの NUM_CLIENTS、NUM_ROUNDS、BATCH_SIZE、LOCAL_EPOCHSを設定する (例：NUM_CLIENTS = 10、NUM_ROUNDS = 15 BATCH_SIZE = 16、LOCAL_EPOCHS = 2)

以下のコードで通常の連合学習の学習を実行

%cd fl_imu_projectgradRE
!python simulationFedAvg.py

以下のコードで重み付きありの連合学習を実行

%cd fl_imu_projectgradRE
!python simulationgradFedRE.py

データ前処理

• 正規化: Z-score 各軸ごと
• パディング: 200 時系列長に揃える
• バッチ作成: DataLoader で shuffle=True（学習）、shuffle=False（検証）
• ラベル: pos → 1, neg → 0

学習設定

• エポック数: 2
• 学習ラウンド：15（サーバー側 num_rounds）
• バッチサイズ: 16（訓練）/ 16（検証）
• 最適化器: AdamW (lr=1e-3)
• 損失関数: CrossEntropyLoss

注意事項