論文の概要: Easy Ensemble: Simple Deep Ensemble Learning for Sensor-Based Human
Activity Recognition
- arxiv url: http://arxiv.org/abs/2203.04153v1
- Date: Tue, 8 Mar 2022 15:30:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-09 15:21:18.032242
- Title: Easy Ensemble: Simple Deep Ensemble Learning for Sensor-Based Human
Activity Recognition
- Title(参考訳): 簡単なアンサンブル:センサに基づく人間行動認識のための簡単なディープアンサンブル学習
- Authors: Tatsuhito Hasegawa, Kazuma Kondo
- Abstract要約: センサを用いたヒューマンアクティビティ認識(HAR)のための簡易アンサンブル(EE)を提案する。
EEは、単一のモデルでディープアンサンブル学習を簡単に実装できる。
また,脳波の入力を多様化する手法として,入力マスキングを提案する。
- 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: Sensor-based human activity recognition (HAR) is a paramount technology in
the Internet of Things services. HAR using representation learning, which
automatically learns a feature representation from raw data, is the mainstream
method because it is difficult to interpret relevant information from raw
sensor data to design meaningful features. Ensemble learning is a robust
approach to improve generalization performance; however, deep ensemble learning
requires various procedures, such as data partitioning and training multiple
models, which are time-consuming and computationally expensive. In this study,
we propose Easy Ensemble (EE) for HAR, which enables the easy implementation of
deep ensemble learning in a single model. In addition, we propose input masking
as a method for diversifying the input for EE. Experiments on a benchmark
dataset for HAR demonstrated the effectiveness of EE and input masking and
their characteristics compared with conventional ensemble learning methods.
- Abstract(参考訳): センサベースのヒューマンアクティビティ認識(HAR)は、モノのインターネットにおける最重要技術である。
生データから特徴表現を自動的に学習する表現学習(har)は、生のセンサデータから関連する情報を解釈し有意義な特徴を設計することが難しいため、主流の手法である。
アンサンブル学習は一般化性能を向上させるための堅牢なアプローチであるが、深層アンサンブル学習にはデータ分割や複数のモデルのトレーニングといった、時間を要する計算コストの高い様々な手順が必要である。
本研究では,単一のモデルにおいて深層アンサンブル学習を容易に実装できるharのためのイージーアンサンブル(ee)を提案する。
さらに,eeの入力を多様化する手段として,入力マスキングを提案する。
HARのためのベンチマークデータセットの実験では、従来のアンサンブル学習法と比較して、EEと入力マスキングの有効性とその特性が示された。
関連論文リスト
- Compositional Learning in Transformer-Based Human-Object Interaction
Detection [6.630793383852106]
ラベル付きインスタンスの長期分布は、HOI検出の主要な課題である。
HOI三重奏の性質にインスパイアされた既存のアプローチでは、作曲学習という概念が採用されている。
我々は,構成HoI学習のためのトランスフォーマーベースのフレームワークを創造的に提案する。
論文 参考訳(メタデータ) (2023-08-11T06:41:20Z) - randomHAR: Improving Ensemble Deep Learners for Human Activity
Recognition with Sensor Selection and Reinforcement Learning [4.5830802802139585]
randomHARの基本的な考え方は、ランダムに選択されたセンサーデータに基づいて、同じアーキテクチャで一連のディープラーニングモデルをトレーニングすることだ。
既存の作業とは対照的に、このアプローチは構成モデルのアーキテクチャよりもアンサンブルプロセスを最適化する。
実験により,提案手法は最先端手法であるアンサンブルLSTMよりも優れていることが示された。
論文 参考訳(メタデータ) (2023-07-15T10:51:03Z) - ALP: Action-Aware Embodied Learning for Perception [60.64801970249279]
認知のための行動認識型身体学習(ALP)について紹介する。
ALPは、強化学習ポリシーと逆ダイナミクス予測目標を最適化することにより、行動情報を表現学習に組み込む。
ALPは、複数の下流認識タスクにおいて、既存のベースラインよりも優れていることを示す。
論文 参考訳(メタデータ) (2023-06-16T21:51:04Z) - Sample-Efficient Reinforcement Learning in the Presence of Exogenous
Information [77.19830787312743]
実世界の強化学習アプリケーションでは、学習者の観察空間は、その課題に関する関連情報と無関係情報の両方でユビキタスに高次元である。
本稿では,強化学習のための新しい問題設定法であるExogenous Decision Process (ExoMDP)を導入する。
内因性成分の大きさのサンプル複雑度で準最適ポリシーを学習するアルゴリズムであるExoRLを提案する。
論文 参考訳(メタデータ) (2022-06-09T05:19:32Z) - Human Activity Recognition using Attribute-Based Neural Networks and
Context Information [61.67246055629366]
手作業におけるウェアラブルセンサデータから人間の活動認識(HAR)を考察する。
我々は、コンテキスト情報をディープニューラルネットワークベースのHARシステムに体系的に組み込む方法を示す。
提案したアーキテクチャは,最先端手法と比較してHAR性能が向上することを示す。
論文 参考訳(メタデータ) (2021-10-28T06:08:25Z) - Single-Modal Entropy based Active Learning for Visual Question Answering [75.1682163844354]
視覚質問応答(VQA)のマルチモーダル設定におけるアクティブラーニングに対処する
マルチモーダルな入力,画像,質問を考慮し,有効サンプル取得のための新しい手法を提案する。
私たちの新しいアイデアは、実装が簡単で、コスト効率が高く、他のマルチモーダルタスクにも容易に適応できます。
論文 参考訳(メタデータ) (2021-10-21T05:38:45Z) - Personalized Semi-Supervised Federated Learning for Human Activity
Recognition [1.9014535120129343]
人間活動認識のための新しいハイブリッド手法であるFedHARを提案する。
FedHARは半教師付きとフェデレーション学習を組み合わせたものです。
我々は、FedHARが最新のFL監督アプローチに類似した認識率とパーソナライゼーション能力に達することを示しています。
論文 参考訳(メタデータ) (2021-04-15T10:24:18Z) - Few-Cost Salient Object Detection with Adversarial-Paced Learning [95.0220555274653]
本稿では,少数のトレーニング画像にのみ手動アノテーションを応用して,効果的なサルエント物体検出モデルを学習することを提案する。
我々は,このタスクを,少額の有能な物体検出とみなし,少数のコストの学習シナリオを促進するために,APL(Adversarialpaced Learning)ベースのフレームワークを提案する。
論文 参考訳(メタデータ) (2021-04-05T14:15:49Z) - Learning-to-Learn Personalised Human Activity Recognition Models [1.5087842661221904]
本稿では,HARのための個人化されたHARモデルを学習するためのメタラーニング手法を提案する。
既存のメタラーニングアルゴリズムにインスパイアされたパーソナライズされたMAMLとパーソナライズされた関係ネットワークの2つのアルゴリズムを紹介する。
比較研究では、最先端のDeep Learningアルゴリズムと、複数のHARドメインにおけるFew-shot Meta-Learningアルゴリズムに対して、大幅なパフォーマンス改善が示されている。
論文 参考訳(メタデータ) (2020-06-12T21:11:59Z) - Omni-supervised Facial Expression Recognition via Distilled Data [120.11782405714234]
ネットワークトレーニングにおいて,信頼度の高いサンプルを多量のラベルのないデータで活用するためのオムニ教師付き学習を提案する。
我々は,新しいデータセットが学習したFERモデルの能力を大幅に向上させることができることを実験的に検証した。
そこで本研究では,生成したデータセットを複数のクラスワイド画像に圧縮するために,データセット蒸留戦略を適用することを提案する。
論文 参考訳(メタデータ) (2020-05-18T09:36:51Z) - A Deep Learning Method for Complex Human Activity Recognition Using
Virtual Wearable Sensors [22.923108537119685]
センサに基づくヒューマンアクティビティ認識(HAR)は、現在、複数のアプリケーション領域で研究ホットスポットとなっている。
本研究では,実シーンにおける複雑なHARの深層学習に基づく新しい手法を提案する。
提案手法は驚くほど数イテレーションで収束し、実際のIMUデータセット上で91.15%の精度が得られる。
論文 参考訳(メタデータ) (2020-03-04T03:31:23Z)
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。