論文の概要: SWL-Adapt: An Unsupervised Domain Adaptation Model with Sample Weight Learning for Cross-User Wearable Human Activity Recognition

• arxiv url: http://arxiv.org/abs/2212.00724v2
• Date: Fri, 2 Jun 2023 08:14:17 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-05 20:26:07.193003
• Title: SWL-Adapt: An Unsupervised Domain Adaptation Model with Sample Weight Learning for Cross-User Wearable Human Activity Recognition
• Title（参考訳）: swl-adapt: クロスユーザウェアラブルヒューマンアクティビティ認識のためのサンプル重み学習を用いた教師なしドメイン適応モデル
• Authors: Rong Hu, Ling Chen, Shenghuan Miao, Xing Tang
• Abstract要約: クロスユーザWHARのためのサンプル重み学習(SWL-Adapt)を用いた教師なしドメイン適応モデルを提案する。 SWL-Adaptは、パラメータ化されたネットワークを用いて、各サンプルの分類損失とドメイン識別損失に応じてサンプル重量を算出する。 3つの公開WHARデータセットの実験では、SWL-Adaptがユーザ間のWHARタスクにおける最先端のパフォーマンスを達成することが示されている。
• 参考スコア（独自算出の注目度）: 6.038537181829292
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In practice, Wearable Human Activity Recognition (WHAR) models usually face performance degradation on the new user due to user variance. Unsupervised domain adaptation (UDA) becomes the natural solution to cross-user WHAR under annotation scarcity. Existing UDA models usually align samples across domains without differentiation, which ignores the difference among samples. In this paper, we propose an unsupervised domain adaptation model with sample weight learning (SWL-Adapt) for cross-user WHAR. SWL-Adapt calculates sample weights according to the classification loss and domain discrimination loss of each sample with a parameterized network. We introduce the meta-optimization based update rule to learn this network end-to-end, which is guided by meta-classification loss on the selected pseudo-labeled target samples. Therefore, this network can fit a weighting function according to the cross-user WHAR task at hand, which is superior to existing sample differentiation rules fixed for special scenarios. Extensive experiments on three public WHAR datasets demonstrate that SWL-Adapt achieves the state-of-the-art performance on the cross-user WHAR task, outperforming the best baseline by an average of 3.1% and 5.3% in accuracy and macro F1 score, respectively.
• Abstract（参考訳）: 実際に、ウェアラブルヒューマンアクティビティ認識(WHAR)モデルは、通常、ユーザの分散により、新しいユーザのパフォーマンス劣化に直面します。 非教師なしドメイン適応(UDA)はアノテーション不足下でのユーザ間WHARの自然な解決策となる。 既存のUDAモデルは、通常、差別化のない領域にサンプルを並べるが、サンプルの違いを無視する。 本稿では、ユーザ間WHARのためのサンプル重み学習(SWL-Adapt)を用いた教師なしドメイン適応モデルを提案する。 swl-adaptは、パラメータ化されたネットワークで各サンプルの分類損失とドメイン識別損失に応じてサンプル重みを計算する。 このネットワークのエンドツーエンドを学習するために、メタ最適化に基づく更新ルールを導入し、選択した擬似ラベル対象サンプルのメタ分類損失を導出する。 したがって,本ネットワークは,ユーザ間WHARタスクに従って重み付け関数に適合し,特定のシナリオに固定された既存のサンプル識別規則よりも優れている。 3つの公開WHARデータセットに対する大規模な実験により、SWL-Adaptは、クロスユーザーWHARタスクにおける最先端のパフォーマンスを達成し、それぞれ平均3.1%と5.3%の精度で最高のベースラインを上回った。

関連論文リスト

• Adapted-MoE: Mixture of Experts with Test-Time Adaption for Anomaly Detection [10.12283550685127]
  そこで本稿では,同カテゴリの複数の分布を分割・分割して処理するAdapted-MoEを提案する。 具体的には,同じカテゴリのサンプルをサブクラスの特徴空間にルーティングする表現学習に基づくルーティングネットワークを提案する。 本研究では,未確認のサンプル表現と専門家モデルで学習した特徴分布の偏りを取り除くために,テスト時間適応を提案する。
  論文  参考訳（メタデータ） (2024-09-09T13:49:09Z)
• Sample Weight Estimation Using Meta-Updates for Online Continual Learning [7.832189413179361]
  OMSI(Online Meta-learning for Sample Importance)戦略は、オンラインCLストリームにおけるミニバッチのサンプル重量を近似する。 OMSIは、制御されたノイズラベル付きデータストリームにおける学習と保持の精度を向上させる。
  論文  参考訳（メタデータ） (2024-01-29T09:04:45Z)
• Divide and Adapt: Active Domain Adaptation via Customized Learning [56.79144758380419]
  対象インスタンスを成層化可能な4つのカテゴリに分割する新しいADAフレームワークであるDiaNA(Divide-and-Adapt)を提案する。 不確実性とドメイン性に基づく新しいデータ分割プロトコルにより、DiaNAは最も有利なサンプルを正確に認識することができる。 の精神のおかげで、DiaNAはドメインギャップの大きなバリエーションでデータを処理できる。
  論文  参考訳（メタデータ） (2023-07-21T14:37:17Z)
• Cross-Inferential Networks for Source-free Unsupervised Domain Adaptation [17.718392065388503]
  クロス推論ネットワーク (CIN) と呼ばれる新しい手法を提案する。 主な考え方は、符号化された特徴からサンプルラベルを予測するためにネットワークモデルを適用する際に、これらの予測結果を用いて、派生したラベルを用いた新しいトレーニングサンプルを構築することである。 ベンチマークデータを用いた実験の結果,提案手法により,ソースフリーなUDAの性能が大幅に向上することが示された。
  論文  参考訳（メタデータ） (2023-06-29T14:04:24Z)
• Boosting Differentiable Causal Discovery via Adaptive Sample Reweighting [62.23057729112182]
  異なるスコアに基づく因果探索法は観測データから有向非巡回グラフを学習する。 本稿では,Reweighted Score関数ReScoreの適応重みを動的に学習することにより因果発見性能を向上させるためのモデルに依存しないフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-06T14:49:59Z)
• Instance-specific and Model-adaptive Supervision for Semi-supervised Semantic Segmentation [49.82432158155329]
  iMAS と呼ばれる半教師付きセマンティックセグメンテーションのためのインスタンス固有およびモデル適応型監視法を提案する。 iMASは、評価された硬さに基づいて、対応する一貫性損失を測定することで、ラベルのないインスタンスから徐々に学習する。
  論文  参考訳（メタデータ） (2022-11-21T10:37:28Z)
• CAFA: Class-Aware Feature Alignment for Test-Time Adaptation [50.26963784271912]
  テスト時間適応(TTA)は、テスト時にラベルのないデータにモデルを適応させることによって、この問題に対処することを目的としている。 本稿では,クラス認識特徴アライメント(CAFA, Class-Aware Feature Alignment)と呼ばれる単純な機能アライメント損失を提案する。
  論文  参考訳（メタデータ） (2022-06-01T03:02:07Z)
• TTAPS: Test-Time Adaption by Aligning Prototypes using Self-Supervision [70.05605071885914]
  本研究では,単体テストサンプルに適用可能な自己教師付きトレーニングアルゴリズムSwaVの新たな改良を提案する。 ベンチマークデータセットCIFAR10-Cにおいて,本手法の有効性を示す。
  論文  参考訳（メタデータ） (2022-05-18T05:43:06Z)
• Listen, Adapt, Better WER: Source-free Single-utterance Test-time Adaptation for Automatic Speech Recognition [65.84978547406753]
  Test-time Adaptationは、ソースドメインでトレーニングされたモデルに適応して、テストサンプルの予測を改善することを目的としている。 単一発話テスト時間適応 (SUTA) は音声領域における最初のTTA研究である。
  論文  参考訳（メタデータ） (2022-03-27T06:38:39Z)

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。