論文の概要: Incremental Real-Time Personalization in Human Activity Recognition
Using Domain Adaptive Batch Normalization
- arxiv url: http://arxiv.org/abs/2005.12178v2
- Date: Mon, 21 Dec 2020 14:13:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-29 05:37:17.306316
- Title: Incremental Real-Time Personalization in Human Activity Recognition
Using Domain Adaptive Batch Normalization
- Title（参考訳）: ドメイン適応バッチ正規化を用いた人間行動認識におけるインクリメンタルリアルタイムパーソナライゼーション
- Authors: Alan Mazankiewicz, Klemens B\"ohm, Mario Berg\'es
- Abstract要約: スマートフォン加速度計などのデバイスからのヒューマンアクティビティ認識(HAR)はユビキタスコンピューティングの基本的な問題である。
従来の作業では、一般的な認識モデルを静的バッチ設定で新しいユーザのユニークな動作パターンにパーソナライズすることで、この問題に対処してきた。
我々の研究は、教師なしのオンラインドメイン適応アルゴリズムを提案することによって、これらの課題に対処する。
- 参考スコア（独自算出の注目度）: 1.160208922584163
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Human Activity Recognition (HAR) from devices like smartphone accelerometers
is a fundamental problem in ubiquitous computing. Machine learning based
recognition models often perform poorly when applied to new users that were not
part of the training data. Previous work has addressed this challenge by
personalizing general recognition models to the unique motion pattern of a new
user in a static batch setting. They require target user data to be available
upfront. The more challenging online setting has received less attention. No
samples from the target user are available in advance, but they arrive
sequentially. Additionally, the motion pattern of users may change over time.
Thus, adapting to new and forgetting old information must be traded off.
Finally, the target user should not have to do any work to use the recognition
system by, say, labeling any activities. Our work addresses all of these
challenges by proposing an unsupervised online domain adaptation algorithm.
Both classification and personalization happen continuously and incrementally
in real time. Our solution works by aligning the feature distributions of all
subjects, be they sources or the target, in hidden neural network layers. To
this end, we normalize the input of a layer with user-specific mean and
variance statistics. During training, these statistics are computed over
user-specific batches. In the online phase, they are estimated incrementally
for any new target user.
- Abstract（参考訳）: スマートフォン加速度計などのデバイスからのヒューマンアクティビティ認識(HAR)はユビキタスコンピューティングの基本的な問題である。
機械学習ベースの認識モデルは、トレーニングデータの一部ではない新規ユーザに適用した場合、よく機能しない。
従来の作業では、一般的な認識モデルを静的バッチ設定で新しいユーザのユニークな動作パターンにパーソナライズすることで、この問題に対処してきた。
対象のユーザデータを事前に取得する必要がある。
より難しいオンライン設定は、あまり注目を集めていない。
ターゲットユーザーからのサンプルは事前に用意されていないが、順次到着する。
さらに、ユーザの動作パターンは時間とともに変化する可能性がある。
したがって、新しい情報に適応し、古い情報を忘れなければならない。
最後に、ターゲットのユーザは、例えば、アクティビティのラベル付けによって認識システムを使用するための作業を行う必要はない。
我々の研究は、教師なしのオンラインドメイン適応アルゴリズムを提案することによって、これらの課題に対処する。
分類とパーソナライゼーションは、リアルタイムで継続的に、そして徐々に行われる。
私たちのソリューションは、ソースやターゲットなど、すべての対象の機能分布を隠れたニューラルネットワーク層で調整することで機能します。
この目的のために、ユーザ固有の平均および分散統計値を持つ層の入力を正規化する。
トレーニング中、これらの統計はユーザー固有のバッチで計算される。
オンラインの段階では、新しいターゲットユーザーに対して段階的に見積もられる。
関連論文リスト
- ELF-UA: Efficient Label-Free User Adaptation in Gaze Estimation [14.265464822002924]
我々のゴールは、ターゲットユーザーに特異的に適応したパーソナライズされた視線推定モデルを提供することです。
以前の作業では、テスト時にモデルを微調整するために、対象人物データのラベル付きイメージが必要になる。
提案手法はメタラーニング手法を用いて,少数の未ラベル画像で新しいユーザへの適応方法を学習する。
論文 参考訳（メタデータ） (2024-06-13T13:00:33Z) - Using Motion Forecasting for Behavior-Based Virtual Reality (VR)
Authentication [8.552737863305213]
本稿では,トランスフォーマーを用いた予測と,予測軌道を用いてユーザ認証を行うことによって,将来のユーザ行動を予測する手法を提案する。
提案手法では,認証等価エラー率(EER)を平均23.85%,最大36.14%削減する。
論文 参考訳（メタデータ） (2024-01-30T00:43:41Z) - ASPEST: Bridging the Gap Between Active Learning and Selective
Prediction [56.001808843574395]
選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。
アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。
本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
論文 参考訳（メタデータ） (2023-04-07T23:51:07Z) - Canary in a Coalmine: Better Membership Inference with Ensembled
Adversarial Queries [53.222218035435006]
私たちは、差別的で多様なクエリを最適化するために、逆ツールを使用します。
我々の改善は既存の方法よりもはるかに正確な会員推定を実現している。
論文 参考訳（メタデータ） (2022-10-19T17:46:50Z) - Reducing Impacts of System Heterogeneity in Federated Learning using
Weight Update Magnitudes [0.0]
フェデレートされた学習により、機械学習モデルでは、各ハンドヘルドデバイス上でローカルにトレーニングできると同時に、ニューロンのアップデートをサーバと同期するのみである。
その結果、フェデレーション学習タスクのトレーニング時間は、いくつかの低パフォーマンスストラグラーデバイスによって予測される。
本研究では,その性能と精度のフィードバックに基づいて,トラグラーのサブモデルを動的に形成することにより,フェデレーション学習の性能ボトルネックを軽減することを目的とする。
論文 参考訳（メタデータ） (2022-08-30T00:39:06Z) - Continual Test-Time Domain Adaptation [94.51284735268597]
テスト時ドメイン適応は、ソースデータを使用しずに、ソース事前訓練されたモデルをターゲットドメインに適応することを目的としている。
CoTTAは実装が容易で、市販の事前訓練モデルに簡単に組み込むことができる。
論文 参考訳（メタデータ） (2022-03-25T11:42:02Z) - Pedestrian Detection: Domain Generalization, CNNs, Transformers and
Beyond [82.37430109152383]
その結果、現在の歩行者検知器は、クロスデータセット評価において、たとえ小さな領域シフトであっても処理が不十分であることがわかった。
限定的な一般化は、その方法と現在のデータ源の2つの主要な要因に帰着する。
本稿では、一般化を改善する進歩的な微調整戦略を提案する。
論文 参考訳（メタデータ） (2022-01-10T06:00:26Z) - DAAIN: Detection of Anomalous and Adversarial Input using Normalizing
Flows [52.31831255787147]
我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。
本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。
当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
論文 参考訳（メタデータ） (2021-05-30T22:07:13Z) - Transfer Learning for Human Activity Recognition using Representational
Analysis of Neural Networks [0.5898893619901381]
本稿では,人間の行動認識のための伝達学習フレームワークを提案する。
転送学習を使わずに,ベースラインと比較して43%の精度向上と66%のトレーニング時間短縮を実現した。
論文 参考訳（メタデータ） (2020-12-05T01:35:11Z) - Into the Unknown: Active Monitoring of Neural Networks [9.591060426695748]
ニューラルネットワークの能動的監視のためのアルゴリズムフレームワークを提案する。
私たちのフレームワークにラップされたモニターは、ニューラルネットワークと並行して動作し、人間のユーザと対話する。
多様なベンチマークに関する実験的評価は、動的シナリオにおけるアクティブモニタリングフレームワークの利点を裏付けるものである。
論文 参考訳（メタデータ） (2020-09-14T13:29:47Z) - Understanding Self-Training for Gradual Domain Adaptation [107.37869221297687]
段階的なドメイン適応は、対象領域へ徐々にシフトするラベルのないデータのみを与えられたソースドメインで訓練された初期分類器を適応させることが目的である。
目標領域への直接適応が非有界誤差をもたらすような設定下において、段階的なシフトを伴う自己学習の誤差に対する最初の非無空上界を証明した。
この理論解析はアルゴリズムの洞察を導き、無限のデータを持つ場合でも正規化とラベルのシャープ化が不可欠であることを強調し、より小さなワッサーシュタイン無限距離のシフトに対して自己学習が特にうまく働くことを示唆している。
論文 参考訳（メタデータ） (2020-02-26T08:59:40Z)
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。