論文の概要: A*HAR: A New Benchmark towards Semi-supervised learning for Class-imbalanced Human Activity Recognition

• arxiv url: http://arxiv.org/abs/2101.04859v1
• Date: Wed, 13 Jan 2021 03:56:49 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-03 21:12:19.940882
• Title: A*HAR: A New Benchmark towards Semi-supervised learning for Class-imbalanced Human Activity Recognition
• Title（参考訳）: A*HAR: クラス不均衡な人間活動認識のための半教師あり学習のための新しいベンチマーク
• Authors: Govind Narasimman, Kangkang Lu, Arun Raja, Chuan Sheng Foo, Mohamed Sabry Aly, Jie Lin, Vijay Chandrasekhar
• Abstract要約: 我々は,クラス不均衡HARの半教師付き学習に向けて,A*HARと呼ばれる新しいベンチマークを提案する。 平均教師と畳み込みニューラルネットワークを組み合わせることで,A*HARにおける最先端半教師付き学習手法の評価を行った。
• 参考スコア（独自算出の注目度）: 16.22885086311624
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Despite the vast literature on Human Activity Recognition (HAR) with wearable inertial sensor data, it is perhaps surprising that there are few studies investigating semisupervised learning for HAR, particularly in a challenging scenario with class imbalance problem. In this work, we present a new benchmark, called A*HAR, towards semisupervised learning for class-imbalanced HAR. We evaluate state-of-the-art semi-supervised learning method on A*HAR, by combining Mean Teacher and Convolutional Neural Network. Interestingly, we find that Mean Teacher boosts the overall performance when training the classifier with fewer labelled samples and a large amount of unlabeled samples, but the classifier falls short in handling unbalanced activities. These findings lead to an interesting open problem, i.e., development of semi-supervised HAR algorithms that are class-imbalance aware without any prior knowledge on the class distribution for unlabeled samples. The dataset and benchmark evaluation are released at https://github.com/I2RDL2/ASTAR-HAR for future research.
• Abstract（参考訳）: ウェアラブル慣性センサーデータを用いたHAR(Human Activity Recognition)に関する膨大な文献があるにもかかわらず、HARのための半教師付き学習の研究は、特にクラス不均衡の問題のある挑戦的なシナリオにおいて、おそらく少ないだろう。 本研究では,クラス不均衡HARの半教師付き学習に向けて,A*HARと呼ばれる新しいベンチマークを提案する。 平均教師と畳み込みニューラルネットワークを組み合わせることで,A*HARにおける最先端半教師付き学習手法の評価を行った。 興味深いことに,比較的少ないラベル付きサンプルと大量のラベル付きサンプルで分類器を訓練する場合,平均教師は全体的な性能を向上させるが,非バランスなアクティビティを扱う場合には分類器は不足する。 これらの発見は興味深いオープン問題、すなわちラベルなしサンプルのクラス分布に関する事前の知識なしにクラス不均衡を認識できる半教師付きharアルゴリズムの開発に繋がる。 データセットとベンチマーク評価は、将来の研究のためにhttps://github.com/I2RDL2/ASTAR-HARでリリースされている。

関連論文リスト

• On Characterizing and Mitigating Imbalances in Multi-Instance Partial Label Learning [57.18649648182171]
  我々は、MI-PLLの文脈において、これまで研究されていない問題に対処するためのコントリビューションを行っている。 最小限の仮定をしながら、クラス固有のMI-PLLのリスク境界を導出する。 我々の理論は、$sigma$が学習の不均衡に大きな影響を及ぼすというユニークな現象を明らかにしている。
  論文  参考訳（メタデータ） (2024-07-13T20:56:34Z)
• Efficient Deep Clustering of Human Activities and How to Improve Evaluation [53.08810276824894]
  我々は,ヒト活動の再コーグ・ニオン(HAR)のための新しい深層クラスタリングモデルを提案する。 本稿では,HARクラスタリングモデルがどのように評価されるかという,いくつかの異なる問題を取り上げる。 次に、これらの問題に対する解決策について議論し、将来の深層HARクラスタリングモデルに対する標準評価設定を提案する。
  論文  参考訳（メタデータ） (2022-09-17T14:12:42Z)
• Towards Diverse Evaluation of Class Incremental Learning: A Representation Learning Perspective [67.45111837188685]
  クラスインクリメンタル学習(CIL)アルゴリズムは、インクリメンタルに到着したデータから新しいオブジェクトクラスを継続的に学習することを目的としている。 表現学習における様々な評価プロトコルを用いて,CILアルゴリズムによって訓練されたニューラルネットワークモデルを実験的に解析する。
  論文  参考訳（メタデータ） (2022-06-16T11:44:11Z)
• Negative Selection by Clustering for Contrastive Learning in Human Activity Recognition [5.351176836203563]
  我々は,HAR(Human Activity Recognition)におけるクラスタリングによるネガティブな選択を行う新しいコントラスト学習フレームワークを提案する。 SimCLRと比較して、教師なしクラスタリング法を用いて、対照的な損失関数の負のペアを再定義し、同じクラスタの他のサンプルを隠蔽するソフトラベルを生成し、負のサンプルとして扱うことを避ける。 評価指標として平均F1スコアを用いて,USC-HAD,MotionSense,UCI-HARの3つのベンチマークデータセット上でClusterCLHARを評価する。
  論文  参考訳（メタデータ） (2022-03-23T06:54:16Z)
• Minority Class Oriented Active Learning for Imbalanced Datasets [6.009262446889319]
  本研究では,不均衡なデータセットを対象とした新しいアクティブ学習手法を提案する。 これは、ラベル付きサブセットの不均衡を減らすために、マイノリティクラスにある可能性が高いサンプルを好む。 また、アクティブラーニングのための2つのトレーニングスキームを比較した。
  論文  参考訳（メタデータ） (2022-02-01T13:13:41Z)
• A Comparative Study of Calibration Methods for Imbalanced Class Incremental Learning [10.680349952226935]
  不均衡なデータセットから漸進的に学習する問題を考察する。 インクリメンタルな状態にまたがって古いクラスの例を格納するために、バウンダリメモリを使用します。 より単純なバニラファインチューニングは、不均衡なインクリメンタル学習アルゴリズムのための強力なバックボーンであることを示す。
  論文  参考訳（メタデータ） (2022-02-01T12:56:17Z)
• Prototypical Classifier for Robust Class-Imbalanced Learning [64.96088324684683]
  埋め込みネットワークに付加的なパラメータを必要としないtextitPrototypealを提案する。 プロトタイプは、訓練セットがクラス不均衡であるにもかかわらず、すべてのクラスに対してバランスと同等の予測を生成する。 我々は, CIFAR-10LT, CIFAR-100LT, Webvision のデータセットを用いて, プロトタイプが芸術の状況と比較した場合, サブスタンスの改善が得られることを検証した。
  論文  参考訳（メタデータ） (2021-10-22T01:55:01Z)
• Can Active Learning Preemptively Mitigate Fairness Issues? [66.84854430781097]
  データセットバイアスは、機械学習における不公平な原因の1つです。 不確実性に基づくALで訓練されたモデルが保護クラスの決定において公平であるかどうかを検討する。 また,勾配反転(GRAD)やBALDなどのアルゴリズム的公正性手法の相互作用についても検討する。
  論文  参考訳（メタデータ） (2021-04-14T14:20:22Z)
• Long-Tailed Recognition Using Class-Balanced Experts [128.73438243408393]
  本稿では,多様な分類器の強度を組み合わせたクラスバランスの専門家のアンサンブルを提案する。 私たちのクラスバランスの専門家のアンサンブルは、最先端に近い結果に到達し、長い尾の認識のための2つのベンチマークで新たな最先端のアンサンブルを確立します。
  論文  参考訳（メタデータ） (2020-04-07T20:57:44Z)
• Imbalanced Data Learning by Minority Class Augmentation using Capsule Adversarial Networks [31.073558420480964]
  本稿では,2つの同時手法を合体させて,不均衡な画像のバランスを回復する手法を提案する。 我々のモデルでは、生成的および識別的ネットワークは、新しい競争力のあるゲームをする。 カプセルGANの合体は、畳み込みGANと比較して非常に少ないパラメータで重なり合うクラスを認識するのに効果的である。
  論文  参考訳（メタデータ） (2020-04-05T12:36:06Z)

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。