論文の概要: Machine-Generated Hierarchical Structure of Human Activities to Reveal
How Machines Think
- arxiv url: http://arxiv.org/abs/2101.07855v1
- Date: Tue, 19 Jan 2021 20:40:22 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-22 11:12:35.968405
- Title: Machine-Generated Hierarchical Structure of Human Activities to Reveal
How Machines Think
- Title(参考訳): 人間活動の階層構造を機械がどう考えるか
- Authors: Mahsun Alt{\i}n, Furkan G\"ursoy, Lina Xu
- Abstract要約: 人間の行動認識のための階層的ラベリングシステムの構築の重要性と実現可能性について議論する。
ブラックボックスharモデルの予測を用いて,異なる活動間の類似性を同定する。
このシステムでは、同じレベルのアクティビティラベルは、設計された精度の大きさを持ち、特定の量のアクティビティの詳細を反映します。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep-learning based computer vision models have proved themselves to be
ground-breaking approaches to human activity recognition (HAR). However, most
existing works are dedicated to improve the prediction accuracy through either
creating new model architectures, increasing model complexity, or refining
model parameters by training on larger datasets. Here, we propose an
alternative idea, differing from existing work, to increase model accuracy and
also to shape model predictions to align with human understandings through
automatically creating higher-level summarizing labels for similar groups of
human activities. First, we argue the importance and feasibility of
constructing a hierarchical labeling system for human activity recognition.
Then, we utilize the predictions of a black box HAR model to identify
similarities between different activities. Finally, we tailor hierarchical
clustering methods to automatically generate hierarchical trees of activities
and conduct experiments. In this system, the activity labels on the same level
will have a designed magnitude of accuracy and reflect a specific amount of
activity details. This strategy enables a trade-off between the extent of the
details in the recognized activity and the user privacy by masking some
sensitive predictions; and also provides possibilities for the use of formerly
prohibited invasive models in privacy-concerned scenarios. Since the hierarchy
is generated from the machine's perspective, the predictions at the upper
levels provide better accuracy, which is especially useful when there are too
detailed labels in the training set that are rather trivial to the final
prediction goal. Moreover, the analysis of the structure of these trees can
reveal the biases in the prediction model and guide future data collection
strategies.
- Abstract(参考訳): ディープラーニングに基づくコンピュータビジョンモデルは、人間活動認識(HAR)に対する画期的なアプローチであることが証明されている。
しかしながら、既存の作業の多くは、新しいモデルアーキテクチャの作成、モデルの複雑さの増大、より大きなデータセットでのトレーニングによるモデルパラメータの洗練による予測精度の向上に費やされている。
本稿では,既存の作業とは違って,モデル精度の向上とモデル予測の形状形成を行い,人間活動の類似グループに対する高レベルな要約ラベルの自動作成により,人間の理解と一致させるための代替案を提案する。
まず,人間行動認識のための階層的ラベリングシステムの構築の重要性と実現可能性について考察する。
次に,ブラックボックスHARモデルの予測を用いて,異なるアクティビティ間の類似性を同定する。
最後に,階層的クラスタリング手法を調整し,アクティビティの階層的木を自動生成し,実験を行う。
このシステムでは、同じレベルのアクティビティラベルは、設計された精度の大きさを持ち、特定の量のアクティビティの詳細を反映します。
この戦略は、機密性の高い予測を隠蔽することで、認識されたアクティビティの細部とユーザのプライバシの間のトレードオフを可能にし、プライバシに制限されたシナリオで以前は禁止されていた侵入モデルを使用する可能性を提供する。
階層構造はマシンの観点から生成されるため、上位レベルの予測はより正確であり、最終的な予測目標にかなり簡単なトレーニングセットに詳細なラベルが多すぎる場合に特に有用である。
さらに,これらの木構造の解析により,予測モデルのバイアスを明らかにし,今後のデータ収集戦略を導くことができる。
関連論文リスト
- A Top-down Supervised Learning Approach to Hierarchical Multi-label
Classification in Networks [0.21485350418225244]
本稿では,階層型マルチラベル分類(HMC)に対する一般的な予測モデルを提案する。
クラスごとの局所分類器を構築することで教師あり学習により階層的マルチラベル分類に対処するトップダウン分類アプローチに基づいている。
本モデルでは, イネOryza sativa Japonicaの遺伝子機能の予測について事例研究を行った。
論文 参考訳(メタデータ) (2022-03-23T17:29:17Z) - Distraction is All You Need for Fairness [0.0]
本稿では,予測精度を維持しつつ,公平性を向上する新しい分類アルゴリズムを提案する。
フェアネス文献で提案した6つの最先端手法と比較し、精度を維持しつつバイアスを最小限に抑える点において、モデルがそれらの手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2022-03-15T01:46:55Z) - Masked prediction tasks: a parameter identifiability view [49.533046139235466]
マスク付きトークンの予測に広く用いられている自己教師型学習手法に着目する。
いくつかの予測タスクは識別可能性をもたらすが、他のタスクはそうではない。
論文 参考訳(メタデータ) (2022-02-18T17:09:32Z) - Self-supervised Pretraining with Classification Labels for Temporal
Activity Detection [54.366236719520565]
時間的アクティビティ検出は、1フレーム当たりのアクティビティクラスを予測することを目的としている。
検出に必要なフレームレベルのアノテーションが高価なため、検出データセットの規模は限られている。
本研究では,分類ラベルを利用した自己教師付き事前学習手法を提案する。
論文 参考訳(メタデータ) (2021-11-26T18:59:28Z) - On Learning Prediction-Focused Mixtures [30.338543175315507]
本稿では、予測タスクに関連する次元を自動的に選択する混合物の予測中心モデルを提案する。
提案手法は,入力からの関連信号を特定し,予測に焦点を絞らず,最適化が容易なモデルより優れている。
論文 参考訳(メタデータ) (2021-10-25T19:14:36Z) - X-model: Improving Data Efficiency in Deep Learning with A Minimax Model [78.55482897452417]
ディープラーニングにおける分類と回帰設定の両面でのデータ効率の向上を目標とする。
両世界の力を生かすために,我々は新しいX-モデルを提案する。
X-モデルは、特徴抽出器とタスク固有のヘッドの間でミニマックスゲームを行う。
論文 参考訳(メタデータ) (2021-10-09T13:56:48Z) - Towards Open-World Feature Extrapolation: An Inductive Graph Learning
Approach [62.774208717294805]
グラフ表現と学習を伴う新しい学習パラダイムを提案する。
本フレームワークは,1) 下位モデルとしてのバックボーンネットワーク(フィードフォワードニューラルネットなど)が,予測ラベルの入力および出力として機能を取り,2) 上位モデルとしてのグラフニューラルネットワークが,観測データから構築された特徴データグラフをメッセージパッシングすることで,新機能の埋め込みを外挿することを学ぶ。
論文 参考訳(メタデータ) (2021-10-09T09:02:45Z) - Evaluating CLIP: Towards Characterization of Broader Capabilities and
Downstream Implications [8.15254368157658]
私たちはCLIPを分析し、そのようなモデルがもたらす課題をいくつか強調します。
CLIPは、従来のコンピュータビジョンシステムに見られるバイアスを継承できる。
これらの結果は、成長する仕事の体に「ベター」モデルの概念を変えることを要求する証拠となる。
論文 参考訳(メタデータ) (2021-08-05T19:05:57Z) - Visual Distant Supervision for Scene Graph Generation [66.10579690929623]
シーングラフモデルは通常、大量のラベル付きデータを人間のアノテーションで教師付き学習する必要がある。
本研究では,人間ラベルデータを用いずにシーングラフモデルを訓練できる視覚関係学習の新しいパラダイムである視覚遠方監視を提案する。
包括的な実験結果から、我々の遠隔監視モデルは、弱い監督と半監督のベースラインよりも優れています。
論文 参考訳(メタデータ) (2021-03-29T06:35:24Z) - Learning Consistent Deep Generative Models from Sparse Data via
Prediction Constraints [16.48824312904122]
我々は変分オートエンコーダやその他の深層生成モデルを学ぶための新しいフレームワークを開発する。
これら2つのコントリビューション -- 予測制約と一貫性制約 -- が,画像分類性能の有望な向上につながることを示す。
論文 参考訳(メタデータ) (2020-12-12T04:18:50Z) - Models, Pixels, and Rewards: Evaluating Design Trade-offs in Visual
Model-Based Reinforcement Learning [109.74041512359476]
視覚的MBRLアルゴリズムにおける予測モデルの設計決定について検討する。
潜在空間の使用など、しばしば重要と見なされる設計上の決定は、タスクのパフォーマンスにはほとんど影響しないことが分かりました。
我々は,この現象が探索とどのように関係しているか,および標準ベンチマークにおける下位スコーリングモデルのいくつかが,同じトレーニングデータでトレーニングされた場合のベストパフォーマンスモデルと同等の性能を発揮するかを示す。
論文 参考訳(メタデータ) (2020-12-08T18:03:21Z)
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。