論文の概要: Guided-GAN: Adversarial Representation Learning for Activity Recognition with Wearables

• arxiv url: http://arxiv.org/abs/2110.05732v1
• Date: Tue, 12 Oct 2021 04:29:21 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-13 13:14:31.379806
• Title: Guided-GAN: Adversarial Representation Learning for Activity Recognition with Wearables
• Title（参考訳）: ウェアラブルを用いた行動認識のためのadversarial representation learning
• Authors: Alireza Abedin, Hamid Rezatofighi, Damith C. Ranasinghe
• Abstract要約: GAN(Generative Adversarial Network)パラダイムは、ウェアラブルセンサデータから教師なしの特徴表現を学ぶためのパラダイムである。 Geometrically-Guided GAN または Guided-GAN for the task。 結果: Guided-GANは、完全に教師なしの表現でパフォーマンスに近づきながら、既存の教師なしのアプローチを上回ります。
• 参考スコア（独自算出の注目度）: 9.399840807973545
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Human activity recognition (HAR) is an important research field in ubiquitous computing where the acquisition of large-scale labeled sensor data is tedious, labor-intensive and time consuming. State-of-the-art unsupervised remedies investigated to alleviate the burdens of data annotations in HAR mainly explore training autoencoder frameworks. In this paper: we explore generative adversarial network (GAN) paradigms to learn unsupervised feature representations from wearable sensor data; and design a new GAN framework-Geometrically-Guided GAN or Guided-GAN-for the task. To demonstrate the effectiveness of our formulation, we evaluate the features learned by Guided-GAN in an unsupervised manner on three downstream classification benchmarks. Our results demonstrate Guided-GAN to outperform existing unsupervised approaches whilst closely approaching the performance with fully supervised learned representations. The proposed approach paves the way to bridge the gap between unsupervised and supervised human activity recognition whilst helping to reduce the cost of human data annotation tasks.
• Abstract（参考訳）: HAR(Human Activity Recognition)はユビキタスコンピューティングにおける重要な研究分野であり、大規模ラベル付きセンサーデータの取得は退屈で、労働集約的で、時間を要する。 HARにおけるデータアノテーションの負担を軽減するために、最先端の教師なしの治療法が調査された。 本稿では,ウェアラブルセンサデータから教師なし特徴表現を学習するためのGAN(Generative Adversarial Network)パラダイムについて検討し,そのタスクのために新しいGANフレームワークを幾何学的にガイドしたGAN(Guid-GAN)を設計する。 提案手法の有効性を示すために,3つの下流分類ベンチマークにおいて,ガイド付きganで得られた特徴を教師なしで評価した。 本研究は,既存の教師なしのアプローチを上回りつつ,教師なしの学習表現によるパフォーマンスに密接なアプローチを示す。 提案手法は、ヒューマンデータアノテーションタスクのコスト削減に寄与しながら、教師なしと教師なしのヒューマンアクティビティ認識のギャップを埋める方法である。

関連論文リスト

• Towards Unsupervised Representation Learning: Learning, Evaluating and Transferring Visual Representations [1.8130068086063336]
  我々は3つの視点から教師なし(視覚的)表現学習の分野に貢献する。 我々は、教師なし、バックプロパゲーションのない畳み込み自己組織型ニューラルネットワーク(CSNN)を設計する。 我々は、プリテキストとターゲットオブジェクトに依存しないメトリクスを定義するために、広く使われている(非)線形評価プロトコルの上に構築する。 CARLANEは,2次元車線検出のための最初の3方向sim-to-realドメイン適応ベンチマークであり,自己教師付き学習に基づく手法である。
  論文  参考訳（メタデータ） (2023-11-30T15:57:55Z)
• Sequential Action-Induced Invariant Representation for Reinforcement Learning [1.2046159151610263]
  視覚的障害を伴う高次元観察からタスク関連状態表現を正確に学習する方法は、視覚的強化学習において難しい問題である。 本稿では,逐次動作の制御信号に従うコンポーネントのみを保持するために,補助学習者によってエンコーダを最適化した逐次行動誘発不変表現(SAR)法を提案する。
  論文  参考訳（メタデータ） (2023-09-22T05:31:55Z)
• Weakly-supervised HOI Detection via Prior-guided Bi-level Representation Learning [66.00600682711995]
  ヒューマンオブジェクトインタラクション(HOI)検出は、人間中心のシーン理解において重要な役割を担い、多くの視覚タスクの基本的なビルディングブロックとして機能する。 HOI検出のための汎用的でスケーラブルな戦略の1つは、画像レベルのアノテーションからのみ学習する弱い監視を使用することである。 これは、不明瞭な人間と物体の関連、HOIを検出する大きな探索空間、非常にノイズの多い訓練信号によって本質的に困難である。 画像レベルとHOIインスタンスレベルの両方で事前の知識を組み込むことができるCLIP誘導HOI表現を開発し、不正な人間とオブジェクトの関連性を実証するために自己学習機構を採用する。
  論文  参考訳（メタデータ） (2023-03-02T14:41:31Z)
• Reinforcement Learning with Prototypical Representations [114.35801511501639]
  Proto-RLは、プロトタイプ表現を通じて表現学習と探索を結び付ける自己監督型フレームワークである。 これらのプロトタイプは、エージェントの探索経験の要約と同時に、観察を表す基盤としても機能する。 これにより、困難な連続制御タスクのセットで最新の下流ポリシー学習が可能になります。
  論文  参考訳（メタデータ） (2021-02-22T18:56:34Z)
• Disambiguation of weak supervision with exponential convergence rates [88.99819200562784]
  教師付き学習では、データは不完全で差別的な情報で注釈付けされる。 本稿では,ある入力から潜在的な対象のセットが与えられる弱い監督の事例である部分的ラベリングに焦点を当てる。 弱い監督から完全な監督を回復する実証的曖昧化アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-02-04T18:14:32Z)
• Contrastive Predictive Coding for Human Activity Recognition [5.766384728949437]
  本研究では,センサデータストリームの長期的時間構造をキャプチャする人間行動認識にContrastive Predictive Codingフレームワークを導入する。 CPCベースの事前学習は自己管理され、その結果得られた表現は標準のアクティビティチェーンに統合できる。 少量のラベル付きトレーニングデータしか利用できない場合、認識性能が大幅に向上します。
  論文  参考訳（メタデータ） (2020-12-09T21:44:36Z)
• Can Semantic Labels Assist Self-Supervised Visual Representation Learning? [194.1681088693248]
  近隣環境におけるコントラスト調整(SCAN)という新しいアルゴリズムを提案する。 一連のダウンストリームタスクにおいて、SCANは従来の完全教師付きおよび自己教師付きメソッドよりも優れたパフォーマンスを達成する。 本研究は, セマンティックラベルが自己指導的手法の補助に有用であることを明らかにする。
  論文  参考訳（メタデータ） (2020-11-17T13:25:00Z)
• Towards Deep Clustering of Human Activities from Wearables [21.198881633580797]
  本研究では,ウェアラブルからの人間行動認識の基本的な問題に対して,教師なしのエンドツーエンド学習戦略を開発する。 本研究では,センサデータの教師なし表現を協調的に学習し,異なる人間の活動に強い意味的対応を持つクラスタ代入を生成する手法の有効性を示す。
  論文  参考訳（メタデータ） (2020-08-02T13:55:24Z)
• 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)
• Domain-Guided Task Decomposition with Self-Training for Detecting Personal Events in Social Media [11.638298634523945]
  ソーシャルメディアをマイニングすることで、個人的な経験や出来事を検知したり、語彙の空間性に悩まされたり、トレーニングデータに乏しかったり、発明的な辞書を作ったりする。 ラベル付きデータを広範囲に作成することの負担を軽減するため、我々は2つのステップでこれらのタスクを実行することを提案する。 鍵概念を識別してタスクをドメイン固有のサブタスクに分解し、人間のドメイン理解を活用する。 2. ラベル付きトレーニングデータの要求を減らし、協調学習を用いて各鍵概念に対する学習者の結果を組み合わせる。
  論文  参考訳（メタデータ） (2020-04-21T14:50:31Z)
• Graph Representation Learning via Graphical Mutual Information Maximization [86.32278001019854]
  本稿では,入力グラフとハイレベルな隠蔽表現との相関を測る新しい概念であるGMIを提案する。 我々は,グラフニューラルエンコーダの入力と出力の間でGMIを最大化することで訓練された教師なし学習モデルを開発する。
  論文  参考訳（メタデータ） (2020-02-04T08:33:49Z)

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。