Springer旗下《Applied Intelligence》于2026年10月23日发表综述《Multimodal continual federated learning for human activity recognition: Trends and challenges》，讨论多模态学习、联邦学习与持续学习在人体活动识别（HAR）中的交叉应用。论文原文
文章指出，医疗、智能环境和人机交互等场景不断引入可穿戴设备与环境传感器，但不同设备的数据类型、采样速度、质量和可用性差异较大。多模态学习可以融合异构信号，联邦学习有助于在不集中原始数据的情况下开展训练，持续学习则用于适应新增活动和环境变化。三者结合，目标是构建更具适应性、隐私保护能力和扩展性的活动识别系统。
这篇文章属于聚焦型小综述，不是发布新模型或新实验数据。作者归纳了早期、中期和晚期融合策略，以及本地个性化、知识蒸馏、生成式回放和参数高效适配等方向。综述认为，当前研究正在尝试通过自适应融合应对模态缺失，通过持续学习减轻灾难性遗忘，并通过联邦优化降低数据共享带来的隐私风险和合规压力。
但部署仍面临复合型难题。不同客户端可能拥有不同数量和分布的数据，部分客户端甚至只有单一模态；非独立同分布数据会使简单的参数平均产生偏差。多模态融合还会增加计算和通信成本，而活动识别中的实时传感器数据可能存在异步到达、缺失或噪声过大的情况。文章还提醒，联邦学习并不等同于绝对安全，系统仍需关注通信过程、模型更新和客户端差异带来的攻击风险。
评测标准也是明显短板。现有HAR数据集通常并非为联邦持续学习设计，研究者往往自行划分客户端、任务顺序和缺失模态，导致不同论文之间难以直接比较。作者建议未来基准同时记录遗忘程度、前向迁移、通信效率、模态缺失鲁棒性和隐私代价，并把客户端划分、任务顺序及通信计划设为可复现的协议参数。
这项新信息的价值主要在于梳理研究交汇点，而不是证明某种方案已经成熟。对行业而言，真正需要观察的是：多模态系统能否在数据不出端的前提下保持稳定性能；当用户设备或传感器不完整时，模型是否仍能可靠工作；以及实验室指标能否转化为跨环境、长期运行的实际效果。论文发布日期为2026年10月23日，文中结论主要来自对既有研究的归纳，不能直接视为大规模商业部署已经实现。
参考来源：
- Multimodal continual federated learning for human activity recognition: Trends and challenges 2026-10-23
由 AI 整理，仅供参考；请以原始来源为准。
