論文の概要: VALERIAN: Invariant Feature Learning for IMU Sensor-based Human Activity Recognition in the Wild

• arxiv url: http://arxiv.org/abs/2303.06048v1
• Date: Fri, 3 Mar 2023 18:22:14 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-19 11:56:39.861056
• Title: VALERIAN: Invariant Feature Learning for IMU Sensor-based Human Activity Recognition in the Wild
• Title（参考訳）: VALERIAN:野生におけるIMUセンサを用いた人間行動認識のための不変特徴学習
• Authors: Yujiao Hao, Boyu Wang, Rong Zheng
• Abstract要約: VALERIANは、Wild ウェアラブルセンサーベースのHARのための不変な特徴学習手法である。 VALERIANは、個別のタスク固有のレイヤを持つマルチタスクモデルをトレーニングすることにより、被験者間で共有された特徴表現の恩恵を受けながら、ノイズの多いラベルを個別に扱うことができる。
• 参考スコア（独自算出の注目度）: 7.50015216403068
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Deep neural network models for IMU sensor-based human activity recognition (HAR) that are trained from controlled, well-curated datasets suffer from poor generalizability in practical deployments. However, data collected from naturalistic settings often contains significant label noise. In this work, we examine two in-the-wild HAR datasets and DivideMix, a state-of-the-art learning with noise labels (LNL) method to understand the extent and impacts of noisy labels in training data. Our empirical analysis reveals that the substantial domain gaps among diverse subjects cause LNL methods to violate a key underlying assumption, namely, neural networks tend to fit simpler (and thus clean) data in early training epochs. Motivated by the insights, we design VALERIAN, an invariant feature learning method for in-the-wild wearable sensor-based HAR. By training a multi-task model with separate task-specific layers for each subject, VALERIAN allows noisy labels to be dealt with individually while benefiting from shared feature representation across subjects. We evaluated VALERIAN on four datasets, two collected in a controlled environment and two in the wild.
• Abstract（参考訳）: imuセンサーに基づく人間行動認識(har)のための深層ニューラルネットワークモデルは、制御された、十分に調整されたデータセットから訓練される。 しかし、自然主義的な設定から収集されたデータは、しばしば大きなラベルノイズを含む。 本研究では,雑音ラベル付き最先端学習法であるDivideMixの2つの実機HARデータセットについて検討し,ノイズラベルが学習データに与える影響について検討した。 我々の経験的分析によると、様々な被験者の領域ギャップはLNL法が重要な前提に反する原因となり、ニューラルネットワークは初期の訓練の時期においてより単純な(そしてクリーンな)データに適合する傾向にある。 この知見に触発されて,我々は,ウェアラブルセンサを用いたHARの不変特徴学習法であるVALERIANを設計した。 サブジェクト毎にタスク固有のレイヤを分離したマルチタスクモデルをトレーニングすることで、valerianは、サブジェクト間の共有機能表現の恩恵を受けながら、ノイズラベルを個別に扱うことができる。 4つのデータセットでvalerianを評価し,制御された環境で2つ,野生で2つを収集した。

関連論文リスト

• Downstream-Pretext Domain Knowledge Traceback for Active Learning [138.02530777915362]
  本稿では、下流知識と事前学習指導のデータ相互作用をトレースするダウンストリーム・プレテキスト・ドメイン知識トレース(DOKT)手法を提案する。 DOKTは、トレースバックの多様性指標とドメインベースの不確実性推定器から構成される。 10のデータセットで行った実験は、我々のモデルが他の最先端の手法よりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-07-20T01:34:13Z)
• Generalizable Low-Resource Activity Recognition with Diverse and Discriminative Representation Learning [24.36351102003414]
  HAR(Human Activity Recognition)は、人間のセンサーの読み取りから動作パターンを特定することに焦点を当てた時系列分類タスクである。 一般化可能な低リソースHARのためのDDLearn(Diverse and Discriminative Expression Learning)という新しい手法を提案する。 平均精度は9.5%向上した。
  論文  参考訳（メタデータ） (2023-05-25T08:24:22Z)
• Cluster-level pseudo-labelling for source-free cross-domain facial expression recognition [94.56304526014875]
  表情認識のためのSFUDA法を提案する。 本手法は,自己教師付き事前学習を利用して,対象データから優れた特徴表現を学習する。 提案手法の有効性を4つの適応方式で検証し,FERに適用した場合,既存のSFUDA法より一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-11T08:24:50Z)
• Learning with Neighbor Consistency for Noisy Labels [69.83857578836769]
  特徴空間におけるトレーニング例間の類似性を利用した雑音ラベルから学習する手法を提案する。 合成(CIFAR-10, CIFAR-100)とリアル(mini-WebVision, Clothing1M, mini-ImageNet-Red)の両方のノイズを評価するデータセットの評価を行った。
  論文  参考訳（メタデータ） (2022-02-04T15:46:27Z)
• Similarity Embedding Networks for Robust Human Activity Recognition [19.162857787656247]
  我々は、入力センサ信号を、慎重に設計された畳み込み層とLSTM層を通して実ベクトルにマッピングする類似性埋め込みニューラルネットワークを設計する。 埋め込みネットワークは、ペアワイズな類似性損失でトレーニングされ、埋め込み実空間内の同じクラスからのサンプルのクラスタリングを奨励する。 2つの公開データセットに基づく広範囲な評価により、提案された類似性埋め込みネットワークは、HAR分類タスクにおける最先端のディープモデルを大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2021-05-31T11:52:32Z)
• Meta-HAR: Federated Representation Learning for Human Activity Recognition [21.749861229805727]
  ユビキタスコンピューティングにおいて,モバイルセンサに基づくヒューマンアクティビティ認識(HAR)が重要な役割を担っている。 本稿では,信号埋め込みネットワークをメタ学習した表現学習フレームワークMeta-HARを提案する。 埋め込みネットワークの表現能力を向上するため,ユーザ毎のHAR問題を別のタスクとして扱い,モデルに依存しないメタラーニングフレームワークを通じて共有埋め込みネットワークを訓練する。
  論文  参考訳（メタデータ） (2021-05-31T11:04:39Z)
• On Deep Learning with Label Differential Privacy [54.45348348861426]
  ラベルは機密性があり、保護されるべきであるとするマルチクラス分類について検討する。 本稿では,ラベル差分プライバシを用いたディープニューラルネットワークのトレーニングアルゴリズムを提案し,いくつかのデータセットで評価を行う。
  論文  参考訳（メタデータ） (2021-02-11T15:09:06Z)
• Invariant Feature Learning for Sensor-based Human Activity Recognition [11.334750079923428]
  被験者やデバイス間で共有される共通情報を抽出する不変特徴学習フレームワーク(IFLF)を提案する。 実験により、IFLFは、一般的なオープンデータセットと社内データセットをまたいだ主題とデバイスディバージョンの両方を扱うのに効果的であることが示された。
  論文  参考訳（メタデータ） (2020-12-14T21:56:17Z)
• Local Additivity Based Data Augmentation for Semi-supervised NER [59.90773003737093]
  名前付きエンティティ認識(NER)は、深層言語理解の第1段階の1つである。 現在のNERモデルは、人間の注釈付きデータに大きく依存している。 半教師付きNERのための局所付加性に基づくデータ拡張法(LADA)を提案する。
  論文  参考訳（メタデータ） (2020-10-04T20:46:26Z)
• 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)

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。