論文の概要: Uncertainty Quantification for Deep Context-Aware Mobile Activity
Recognition and Unknown Context Discovery
- arxiv url: http://arxiv.org/abs/2003.01753v1
- Date: Tue, 3 Mar 2020 19:35:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-26 22:07:38.946013
- Title: Uncertainty Quantification for Deep Context-Aware Mobile Activity
Recognition and Unknown Context Discovery
- Title(参考訳): 深層環境を考慮した移動行動認識と未知コンテキスト発見のための不確実性定量化
- Authors: Zepeng Huo, Arash PakBin, Xiaohan Chen, Nathan Hurley, Ye Yuan,
Xiaoning Qian, Zhangyang Wang, Shuai Huang, Bobak Mortazavi
- Abstract要約: 我々はα-βネットワークと呼ばれる深層モデルのコンテキスト認識混合を開発する。
高レベルの文脈を識別することで、精度とFスコアを10%向上させる。
トレーニングの安定性を確保するために、公開データセットと社内データセットの両方でクラスタリングベースの事前トレーニングを使用しました。
- 参考スコア(独自算出の注目度): 85.36948722680822
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Activity recognition in wearable computing faces two key challenges: i)
activity characteristics may be context-dependent and change under different
contexts or situations; ii) unknown contexts and activities may occur from time
to time, requiring flexibility and adaptability of the algorithm. We develop a
context-aware mixture of deep models termed the {\alpha}-\b{eta} network
coupled with uncertainty quantification (UQ) based upon maximum entropy to
enhance human activity recognition performance. We improve accuracy and F score
by 10% by identifying high-level contexts in a data-driven way to guide model
development. In order to ensure training stability, we have used a
clustering-based pre-training in both public and in-house datasets,
demonstrating improved accuracy through unknown context discovery.
- Abstract(参考訳): ウェアラブルコンピューティングにおけるアクティビティ認識には2つの課題がある。
一 活動特性は、状況に依存して、異なる状況又は状況において変化することができる。
二 未知の文脈及び活動は、たまに発生し、そのアルゴリズムの柔軟性及び適応性を必要とする。
我々は,人間の活動認識性能を高めるために,最大エントロピーに基づく不確実性定量化(UQ)と組み合わさったディープモデルのコンテキスト認識混合を開発する。
データ駆動型モデル開発における高レベルのコンテキストを特定し,精度とFスコアを10%向上させる。
トレーニングの安定性を確保するため、パブリックデータセットと社内データセットの両方でクラスタリングベースの事前トレーニングを行い、未知のコンテキスト発見による精度の向上を実証した。
関連論文リスト
- Dirichlet Active Learning [1.4277428617774877]
Dirichlet Active Learning(ダイリクレアクティブラーニング、DiAL)は、ベイズに触発されたアクティブラーニングアルゴリズムの設計手法である。
我々のフレームワークはディリクレ確率場として特徴条件クラス確率をモデル化する。
論文 参考訳(メタデータ) (2023-11-09T16:39:02Z) - Uncertainty Estimation by Fisher Information-based Evidential Deep
Learning [61.94125052118442]
不確実性推定は、ディープラーニングを実用アプリケーションで信頼できるものにする鍵となる要素である。
漁業情報に基づくエビデンシャルディープラーニング(mathcalI$-EDL)を提案する。
特に,各サンプルが有する証拠の情報量を測定するためにFisher Information Matrix (FIM)を導入し,目的的損失項を動的に重み付けし,不確実なクラスの表現学習に集中させる。
論文 参考訳(メタデータ) (2023-03-03T16:12:59Z) - Incremental Permutation Feature Importance (iPFI): Towards Online
Explanations on Data Streams [8.49072000414555]
私たちはデータを段階的にサンプリングし、バッチモードではなく漸進的に学習する動的なシナリオに興味を持っています。
本研究では,特徴量重要度(PFI)に類似した特徴量の特徴残差化に基づく,特徴量重要度(FI)尺度の効率的なインクリメンタルアルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-09-05T12:34:27Z) - Adaptive Discrete Communication Bottlenecks with Dynamic Vector
Quantization [76.68866368409216]
入力に条件付けされた離散化の厳密度を動的に選択する学習を提案する。
コミュニケーションボトルネックの動的に変化する厳密さは、視覚的推論や強化学習タスクにおけるモデル性能を向上させることができることを示す。
論文 参考訳(メタデータ) (2022-02-02T23:54:26Z) - Data Augmentation through Expert-guided Symmetry Detection to Improve
Performance in Offline Reinforcement Learning [0.0]
マルコフ決定過程(MDP)の動的モデルのオフライン推定は非自明な作業である。
近年の研究では、密度推定法に依存する専門家誘導パイプラインが、決定論的環境において、この構造を効果的に検出できることが示されている。
学習したMDPを解き、実際の環境に最適化されたポリシーを適用すると、前者の結果が性能改善につながることを示す。
論文 参考訳(メタデータ) (2021-12-18T14:32:32Z) - On Efficient Uncertainty Estimation for Resource-Constrained Mobile
Applications [0.0]
予測の不確実性は、モデル予測を補完し、下流タスクの機能を改善します。
Axolotlフレームワークを用いてモンテカルロ・ドロップアウト(MCDO)モデルを構築することでこの問題に対処する。
我々は,(1)CIFAR10データセットを用いた多クラス分類タスク,(2)より複雑な人体セグメンテーションタスクについて実験を行った。
論文 参考訳(メタデータ) (2021-11-11T22:24:15Z) - Minimum-Delay Adaptation in Non-Stationary Reinforcement Learning via
Online High-Confidence Change-Point Detection [7.685002911021767]
非定常環境におけるポリシーを効率的に学習するアルゴリズムを導入する。
これは、リアルタイム、高信頼な変更点検出統計において、潜在的に無限のデータストリームと計算を解析する。
i) このアルゴリズムは, 予期せぬ状況変化が検出されるまでの遅延を最小限に抑え, 迅速な応答を可能にする。
論文 参考訳(メタデータ) (2021-05-20T01:57:52Z) - Accurate and Robust Feature Importance Estimation under Distribution
Shifts [49.58991359544005]
PRoFILEは、新しい特徴重要度推定法である。
忠実さと頑健さの両面で、最先端のアプローチよりも大幅に改善されていることを示す。
論文 参考訳(メタデータ) (2020-09-30T05:29:01Z) - Spectrum-Guided Adversarial Disparity Learning [52.293230153385124]
本稿では,新たなエンド・ツー・エンドの知識指向学習フレームワークを提案する。
2つの競合符号化分布を用いてクラス条件付きクラス内不一致を表現し、学習された不一致を識別することで精製された潜伏符号を学習する。
4つのHARベンチマークデータセットに対する実験により,提案手法の頑健性と,最先端の手法による一般化が実証された。
論文 参考訳(メタデータ) (2020-07-14T05:46:27Z) - Causal Feature Selection for Algorithmic Fairness [61.767399505764736]
データ管理の統合コンポーネントにおける公平性について検討する。
本稿では,データセットの公平性を保証する特徴のサブコレクションを同定する手法を提案する。
論文 参考訳(メタデータ) (2020-06-10T20:20:10Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。