論文の概要: Dataset Bias in Human Activity Recognition

• arxiv url: http://arxiv.org/abs/2301.10161v1
• Date: Thu, 19 Jan 2023 12:33:50 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-29 13:30:45.635520
• Title: Dataset Bias in Human Activity Recognition
• Title（参考訳）: 人間活動認識におけるデータセットバイアス
• Authors: Nilah Ravi Nair, Lena Schmid, Fernando Moya Rueda, Markus Pauly, Gernot A. Fink and Christopher Reining
• Abstract要約: このコントリビューションは、トレーニングデータを統計的にキュレートし、人間の身体的特性がHARのパフォーマンスにどの程度影響するかを評価する。 時系列HARのセンサ,アクティビティ,記録の異なる2つのHARデータセット上で,最先端の畳み込みニューラルネットワークの性能を評価する。
• 参考スコア（独自算出の注目度）: 57.91018542715725
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: When creating multi-channel time-series datasets for Human Activity Recognition (HAR), researchers are faced with the issue of subject selection criteria. It is unknown what physical characteristics and/or soft-biometrics, such as age, height, and weight, need to be taken into account to train a classifier to achieve robustness towards heterogeneous populations in the training and testing data. This contribution statistically curates the training data to assess to what degree the physical characteristics of humans influence HAR performance. We evaluate the performance of a state-of-the-art convolutional neural network on two HAR datasets that vary in the sensors, activities, and recording for time-series HAR. The training data is intentionally biased with respect to human characteristics to determine the features that impact motion behaviour. The evaluations brought forth the impact of the subjects' characteristics on HAR. Thus, providing insights regarding the robustness of the classifier with respect to heterogeneous populations. The study is a step forward in the direction of fair and trustworthy artificial intelligence by attempting to quantify representation bias in multi-channel time series HAR data.
• Abstract（参考訳）: HAR(Human Activity Recognition)のためのマルチチャネル時系列データセットを作成する際、被験者選択基準の問題に直面している。 年齢・身長・体重などの身体的特徴やソフトバイオメトリックスを考慮に入れる必要があるかは分かっていないが、訓練・試験データにおける異種集団に対する堅牢性を達成するために分類器を訓練する必要がある。 この貢献は、人間の身体的特性がharのパフォーマンスにどの程度影響するかを評価するために、トレーニングデータを統計的にキュレートする。 時系列HARのセンサ,アクティビティ,記録の異なる2つのHARデータセット上で,最先端の畳み込みニューラルネットワークの性能を評価する。 トレーニングデータは、人間の特性に関して意図的に偏り、動作行動に影響を与える特徴を決定する。 被験者の特徴がHARに与える影響について評価した。 したがって、異種集団に対する分類器の堅牢性に関する洞察を与える。 この研究は、多チャンネル時系列HARデータにおける表現バイアスを定量化することで、公正で信頼できる人工知能の方向性を前進させるものである。

関連論文リスト

• Self-Training with Pseudo-Label Scorer for Aspect Sentiment Quad Prediction [54.23208041792073]
  Aspect Sentiment Quad Prediction (ASQP) は、与えられたレビューに対して全てのクワッド(アスペクト項、アスペクトカテゴリー、意見項、感情極性)を予測することを目的としている。 ASQPタスクにおける重要な課題はラベル付きデータの不足であり、既存のメソッドのパフォーマンスを制限している。 そこで我々は,擬似ラベルスコアラーを用いた自己学習フレームワークを提案し,レビューと擬似ラベルの一致をスコアラーが評価する。
  論文  参考訳（メタデータ） (2024-06-26T05:30:21Z)
• Machine Learning Techniques for Sensor-based Human Activity Recognition with Data Heterogeneity -- A Review [0.8142555609235358]
  HAR(Human Activity Recognition)はユビキタスコンピューティングにおいて重要である。 HARは特にデータ分散の仮定において、課題に直面します。 本稿では,機械学習がHARにおけるデータの不均一性にどのように対処するかを検討する。
  論文  参考訳（メタデータ） (2024-03-12T22:22:14Z)
• Stubborn Lexical Bias in Data and Models [50.79738900885665]
  我々は、データに基づいてトレーニングされたモデルに、データのスプリアスパターンが現れるかどうかを調べるために、新しい統計手法を用いる。 トレーニングデータに*reweight*に最適化アプローチを適用し、数千のスプリアス相関を低減します。 驚くべきことに、この方法ではトレーニングデータの語彙バイアスを低減できますが、トレーニングされたモデルで対応するバイアスの強い証拠がまだ見つかっていません。
  論文  参考訳（メタデータ） (2023-06-03T20:12:27Z)
• Multi-Channel Time-Series Person and Soft-Biometric Identification [65.83256210066787]
  本研究は, 深層建築を用いて異なる活動を行う人間の記録から, 個人とソフトバイオメトリックスを同定する。 マルチチャネル時系列ヒューマンアクティビティ認識(HAR)の4つのデータセットに対する手法の評価を行った。 ソフトバイオメトリクスに基づく属性表現は、有望な結果を示し、より大きなデータセットの必要性を強調している。
  論文  参考訳（メタデータ） (2023-04-04T07:24:51Z)
• Video-based Pose-Estimation Data as Source for Transfer Learning in Human Activity Recognition [71.91734471596433]
  オンボディデバイスを用いたヒューマンアクティビティ認識(HAR)は、制約のない環境での特定の人間の行動を特定する。 これまでの研究は、トランスファーラーニングが、少ないデータでシナリオに対処するための良い戦略であることを実証した。 本稿では,人為的位置推定を目的としたデータセットを伝達学習の情報源として用いることを提案する。
  論文  参考訳（メタデータ） (2022-12-02T18:19:36Z)
• Homogenization of Existing Inertial-Based Datasets to Support Human Activity Recognition [8.076841611508486]
  信号から日常生活の行動を認識する問題に対処するために,いくつかの手法が提案されている。 慣性信号に適用する深層学習技術は有効であることが証明されており、かなりの分類精度が達成されている。 人間の行動認識モデルの研究は、ほぼ完全にモデル中心である。
  論文  参考訳（メタデータ） (2022-01-17T14:29:48Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• Human Activity Recognition Using Multichannel Convolutional Neural Network [0.0]
  人間の活動認識(HAR)は、単に人間の行動を知覚する機械の能力を指します。 本論文では,実用的行動から収集したデータに基づいて,人間の行動を区別できる教師付き学習法について述べる。 このモデルはUCI HARデータセットでテストされ、95.25%の分類精度が得られた。
  論文  参考訳（メタデータ） (2021-01-17T16:48:17Z)
• Jointly Predicting Job Performance, Personality, Cognitive Ability, Affect, and Well-Being [42.67003631848889]
  本研究では,身体的および生理的行動,心理的状態と特徴,職能を統合した個人予測分析のためのベンチマークを作成する。 我々は、データマイニング技術をベンチマークとして設計し、ウェアラブルセンサから得られた真のノイズと不完全なデータを用いて、12の標準化された精確なテストに基づいて19の構造を予測する。
  論文  参考訳（メタデータ） (2020-06-10T14:30:29Z)
• Sensor Data for Human Activity Recognition: Feature Representation and Benchmarking [27.061240686613182]
  HAR(Human Activity Recognition)の分野は、監視装置(センサなど)から取得したデータを取得し、分析することに焦点を当てている。 我々は、異なる機械学習(ML)技術を用いて、人間のアクティビティを正確に認識する問題に対処する。
  論文  参考訳（メタデータ） (2020-05-15T00:46:55Z)

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。