論文の概要: Attention-Based Deep Learning Framework for Human Activity Recognition
with User Adaptation
- arxiv url: http://arxiv.org/abs/2006.03820v2
- Date: Sat, 27 Mar 2021 14:41:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-24 21:23:48.872742
- Title: Attention-Based Deep Learning Framework for Human Activity Recognition
with User Adaptation
- Title（参考訳）: ユーザ適応型人間行動認識のための注意型ディープラーニングフレームワーク
- Authors: Davide Buffelli, Fabio Vandin
- Abstract要約: センサに基づく人間活動認識(HAR)は、センサ生成時系列データに基づいて人の行動を予測する必要がある。
純粋に注意に基づくメカニズムに基づく新しいディープラーニングフレームワーク、algnameを提案する。
提案した注目に基づくアーキテクチャは,従来のアプローチよりもはるかに強力であることを示す。
- 参考スコア（独自算出の注目度）: 5.629161809575013
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Sensor-based human activity recognition (HAR) requires to predict the action
of a person based on sensor-generated time series data. HAR has attracted major
interest in the past few years, thanks to the large number of applications
enabled by modern ubiquitous computing devices. While several techniques based
on hand-crafted feature engineering have been proposed, the current
state-of-the-art is represented by deep learning architectures that
automatically obtain high level representations and that use recurrent neural
networks (RNNs) to extract temporal dependencies in the input. RNNs have
several limitations, in particular in dealing with long-term dependencies. We
propose a novel deep learning framework, \algname, based on a purely
attention-based mechanism, that overcomes the limitations of the
state-of-the-art. We show that our proposed attention-based architecture is
considerably more powerful than previous approaches, with an average increment,
of more than $7\%$ on the F1 score over the previous best performing model.
Furthermore, we consider the problem of personalizing HAR deep learning models,
which is of great importance in several applications. We propose a simple and
effective transfer-learning based strategy to adapt a model to a specific user,
providing an average increment of $6\%$ on the F1 score on the predictions for
that user. Our extensive experimental evaluation proves the significantly
superior capabilities of our proposed framework over the current
state-of-the-art and the effectiveness of our user adaptation technique.
- Abstract（参考訳）: センサに基づく人間活動認識(HAR)は、センサ生成時系列データに基づいて人の行動を予測する必要がある。
HARは、現代のユビキタスコンピューティングデバイスによって実現された多数のアプリケーションのおかげで、ここ数年で大きな関心を集めている。
手作りの特徴工学に基づく手法がいくつか提案されているが、現在の最先端技術は、高レベル表現を自動的に取得し、入力の時間的依存関係を抽出するためにrecurrent neural network(rnn)を使用するディープラーニングアーキテクチャによって表現されている。
rnnには、特に長期的な依存関係を扱う上で、いくつかの制限がある。
本稿では,最先端技術の限界を克服する,純粋に注意に基づくメカニズムに基づく新しいディープラーニングフレームワークである \algname を提案する。
提案したアテンションベースアーキテクチャは,F1スコアに対する平均的インクリメントが,前回の最高のパフォーマンスモデルよりも7\%以上,従来のアプローチよりもかなり強力であることを示す。
さらに,いくつかの応用において非常に重要であるhar深層学習モデルのパーソナライズの問題についても考察する。
本稿では,モデルを特定のユーザに適用するための簡易かつ効果的なトランスファー学習戦略を提案し,そのユーザに対する予測のF1スコアに対して平均6.5%のインクリメントを提供する。
実験により,提案手法の有効性とユーザ適応手法の有効性について,提案手法の有効性を検証した。
関連論文リスト
- Self-STORM: Deep Unrolled Self-Supervised Learning for Super-Resolution Microscopy [55.2480439325792]
我々は、シーケンス固有のモデルベースのオートエンコーダをトレーニングすることで、そのようなデータの必要性を軽減する、深層無学習の自己教師付き学習を導入する。
提案手法は, 監視対象の性能を超過する。
論文 参考訳（メタデータ） (2024-03-25T17:40:32Z) - PILOT: A Pre-Trained Model-Based Continual Learning Toolbox [71.63186089279218]
本稿では,PILOTとして知られるモデルベース連続学習ツールボックスについて紹介する。
一方、PILOTはL2P、DualPrompt、CODA-Promptといった事前学習モデルに基づいて、最先端のクラスインクリメンタル学習アルゴリズムを実装している。
一方、PILOTは、事前学習されたモデルの文脈に典型的なクラス増分学習アルゴリズムを適合させ、それらの効果を評価する。
論文 参考訳（メタデータ） (2023-09-13T17:55:11Z) - Deep networks for system identification: a Survey [56.34005280792013]
システム識別は、入力出力データから動的システムの数学的記述を学習する。
同定されたモデルの主な目的は、以前の観測から新しいデータを予測することである。
我々は、フィードフォワード、畳み込み、リカレントネットワークなどの文献で一般的に採用されているアーキテクチャについて論じる。
論文 参考訳（メタデータ） (2023-01-30T12:38:31Z) - A Close Look into Human Activity Recognition Models using Deep Learning [0.0]
本稿では,ディープラーニングアーキテクチャに基づく最先端の人間活動認識モデルについて検討する。
この分析は、モデルがどのように実装され、その効果と、それが直面する潜在的な制限を最大化するかを概説している。
論文 参考訳（メタデータ） (2022-04-26T19:43:21Z) - A New Clustering-Based Technique for the Acceleration of Deep
Convolutional Networks [2.7393821783237184]
MCA(Model Compression and Acceleration)技術は、大規模な事前学習ネットワークをより小さなモデルに変換するために用いられる。
本稿では,採用したセントロイド/表現量を増やすクラスタリングに基づく手法を提案する。
これは、被雇用者に対して特別な構造を課すことによって達成され、これは、目の前の問題の特異性によって実現される。
論文 参考訳（メタデータ） (2021-07-19T18:22:07Z) - Transformer-Based Behavioral Representation Learning Enables Transfer
Learning for Mobile Sensing in Small Datasets [4.276883061502341]
時系列から一般化可能な特徴表現を学習できるモバイルセンシングデータのためのニューラルネットワークフレームワークを提供する。
このアーキテクチャは、CNNとTrans-formerアーキテクチャの利点を組み合わせて、より良い予測性能を実現する。
論文 参考訳（メタデータ） (2021-07-09T22:26:50Z) - Action Transformer: A Self-Attention Model for Short-Time Human Action
Recognition [5.123810256000945]
Action Transformer (AcT) は、畳み込み層、繰り返し層、注意層を混在させる、より精巧なネットワークを一貫して上回る自己意図型アーキテクチャである。
AcTは、小さな時間ウィンドウ上の2Dポーズ表現を利用し、正確で効果的なリアルタイムパフォーマンスのための低レイテンシソリューションを提供する。
論文 参考訳（メタデータ） (2021-07-01T16:53:16Z) - Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。
本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
論文 参考訳（メタデータ） (2021-06-17T17:26:31Z) - Model-Based Deep Learning [155.063817656602]
信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。
ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。
私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
論文 参考訳（メタデータ） (2020-12-15T16:29:49Z) - Continual Learning for Natural Language Generation in Task-oriented
Dialog Systems [72.92029584113676]
自然言語生成(NLG)はタスク指向対話システムにおいて重要な要素である。
我々は,NLGの知識を新たなドメインや機能に段階的に拡張する"継続的学習"環境で研究する。
この目標に対する大きな課題は、破滅的な忘れことであり、継続的に訓練されたモデルは、以前に学んだ知識を忘れがちである。
論文 参考訳（メタデータ） (2020-10-02T10:32:29Z) - On the impact of selected modern deep-learning techniques to the
performance and celerity of classification models in an experimental
high-energy physics use case [0.0]
ディープラーニング技術は、高エネルギー物理学の領域で遭遇する分類問題の文脈でテストされる。
利点は、パフォーマンスメトリクスと、結果のモデルのトレーニングと適用に必要な時間の両方の観点から評価されます。
LUMINと呼ばれるPyTorch用の新しいラッパーライブラリが紹介されている。
論文 参考訳（メタデータ） (2020-02-03T12:29:59Z)
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。