論文の概要: Evaluation of Regularization-based Continual Learning Approaches:
Application to HAR
- arxiv url: http://arxiv.org/abs/2304.13327v1
- Date: Wed, 26 Apr 2023 06:56:49 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-27 15:18:11.484273
- Title: Evaluation of Regularization-based Continual Learning Approaches:
Application to HAR
- Title（参考訳）: 正規化に基づく連続学習手法の評価:HARへの応用
- Authors: Bonpagna Kann (UGA, M-PSI), Sandra Castellanos-Paez (UGA, M-PSI),
Philippe Lalanda (UGA, M-PSI)
- Abstract要約: 近年,HAR(Human Activity Recognition)が注目されている。
継続的学習の概念は今日非常に有望です。
我々は、HARドメインに適応した3つの正規化に基づく手法を比較した。
- 参考スコア（独自算出の注目度）: 0.21108097398435335
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Pervasive computing allows the provision of services in many important areas,
including the relevant and dynamic field of health and well-being. In this
domain, Human Activity Recognition (HAR) has gained a lot of attention in
recent years. Current solutions rely on Machine Learning (ML) models and
achieve impressive results. However, the evolution of these models remains
difficult, as long as a complete retraining is not performed. To overcome this
problem, the concept of Continual Learning is very promising today and, more
particularly, the techniques based on regularization. These techniques are
particularly interesting for their simplicity and their low cost. Initial
studies have been conducted and have shown promising outcomes. However, they
remain very specific and difficult to compare. In this paper, we provide a
comprehensive comparison of three regularization-based methods that we adapted
to the HAR domain, highlighting their strengths and limitations. Our
experiments were conducted on the UCI HAR dataset and the results showed that
no single technique outperformed all others in all scenarios considered.
- Abstract（参考訳）: 普及型コンピューティングは、健康と幸福の関連およびダイナミックな分野を含む、多くの重要な領域におけるサービスの提供を可能にする。
この領域では、近年HAR(Human Activity Recognition)が注目されている。
現在のソリューションは機械学習(ML)モデルに依存しており、印象的な結果が得られる。
しかし、完全な再訓練が行われない限り、これらのモデルの進化は難しいままである。
この問題を解決するために、継続的学習の概念は今日非常に有望であり、より具体的には正規化に基づく技術である。
これらのテクニックは、単純さと低コストで特に興味深い。
初期の研究は行われており、有望な結果を示している。
しかし、それらは非常に具体的で比較が難しいままである。
本稿では,HARドメインに適応した3つの正規化に基づく手法を総合的に比較し,その長所と短所を強調した。
UCI HARデータセットを用いて実験を行った結果,すべてのシナリオにおいて,どの手法も他の手法よりも優れていなかったことがわかった。
関連論文リスト
- Review of Zero-Shot and Few-Shot AI Algorithms in The Medical Domain [3.196204482566275]
本稿では,少数ショット,ゼロショット,正規物体検出の異なる手法について検討した。
ほとんどショットがなく、ゼロショットで、通常のオブジェクト検出は、新しいフレームワークやテクニックを通じて、フィールドの進化に共通の焦点をあてている。
論文 参考訳（メタデータ） (2024-06-23T15:45:32Z) - Unlearning with Control: Assessing Real-world Utility for Large Language Model Unlearning [97.2995389188179]
最近の研究は、勾配上昇(GA)を通した大規模言語モデル(LLM)の未学習にアプローチし始めている。
その単純さと効率性にもかかわらず、我々はGAベースの手法が過剰な未学習の傾向に直面することを示唆している。
過剰な未学習の度合いを制御できるいくつかの制御手法を提案する。
論文 参考訳（メタデータ） (2024-06-13T14:41:00Z) - Continual Learning with Pre-Trained Models: A Survey [61.97613090666247]
継続的な学習は、新しい知識を学ぶ際に、かつての知識の破滅的な忘れを克服することを目的としている。
本稿では, PTM を用いた CL の最近の進歩を包括的に調査する。
論文 参考訳（メタデータ） (2024-01-29T18:27:52Z) - Investigating Relative Performance of Transfer and Meta Learning [0.0]
本稿では,トランスファーラーニングとメタラーニングの2つの異なるアプローチを比較した研究結果について述べる。
包括的な目的は、多様な機械学習シナリオにおいて最も適切な方法を選択するための堅牢な基準を確立することである。
論文 参考訳（メタデータ） (2023-10-31T12:52:00Z) - A Unified Generalization Analysis of Re-Weighting and Logit-Adjustment
for Imbalanced Learning [129.63326990812234]
そこで本研究では,データ依存型コンダクタンス(Data-dependent contraction)と呼ばれる手法を提案する。
この技術に加えて、不均衡学習のための微粒な一般化境界が確立され、再重み付けとロジット調整の謎を明らかにするのに役立つ。
論文 参考訳（メタデータ） (2023-10-07T09:15:08Z) - NEVIS'22: A Stream of 100 Tasks Sampled from 30 Years of Computer Vision
Research [96.53307645791179]
我々は,100以上の視覚的分類タスクのストリームからなるベンチマークであるNever-Ending VIsual-classification Stream (NEVIS'22)を紹介する。
分類に制限されているにもかかわらず、OCR、テクスチャ分析、シーン認識など、様々なタスクが生成される。
NEVIS'22は、タスクの規模と多様性のために、現在のシーケンシャルな学習アプローチに対して前例のない課題を提起している。
論文 参考訳（メタデータ） (2022-11-15T18:57:46Z) - Data Augmentation techniques in time series domain: A survey and
taxonomy [0.20971479389679332]
時系列を扱うディープニューラルネットワークは、トレーニングで使用されるデータセットのサイズと一貫性に大きく依存する。
この研究は、すべての利用可能なアルゴリズムの概要を提供するために、この分野の最先端を体系的にレビューする。
本研究の究極的な目的は、この分野の将来の研究者を導くために、より良い結果をもたらす領域の進化と性能を概説することである。
論文 参考訳（メタデータ） (2022-06-25T17:09:00Z) - On Modality Bias Recognition and Reduction [70.69194431713825]
マルチモーダル分類の文脈におけるモダリティバイアス問題について検討する。
本稿では,各ラベルの特徴空間を適応的に学習するプラグアンドプレイ損失関数法を提案する。
本手法は, ベースラインに比べ, 顕著な性能向上を実現している。
論文 参考訳（メタデータ） (2022-02-25T13:47:09Z) - An Investigation of Replay-based Approaches for Continual Learning [79.0660895390689]
連続学習(CL)は機械学習(ML)の大きな課題であり、破滅的忘れ(CF)を伴わずに連続的に複数のタスクを学習する能力を記述する。
いくつかの解クラスが提案されており、その単純さと堅牢性から、いわゆるリプレイベースのアプローチは非常に有望であるように思われる。
連続学習におけるリプレイに基づくアプローチを実証的に検討し,応用の可能性を評価する。
論文 参考訳（メタデータ） (2021-08-15T15:05:02Z) - Continual Learning in Sensor-based Human Activity Recognition: an
Empirical Benchmark Analysis [4.686889458553123]
センサーベースのヒューマンアクティビティ認識(HAR)は、スマートホーム、パーソナルヘルスケア、都市計画における多くの現実世界のアプリケーションのための重要なイネーブラーです。
HARシステムは、ゼロから再設計することなく、長期間にわたって新しいアクティビティを自律的に学習できますか?
この問題は連続学習と呼ばれ、コンピュータビジョンの分野で特に人気があります。
論文 参考訳（メタデータ） (2021-04-19T15:38:22Z) - Continual Learning in Human Activity Recognition: an Empirical Analysis
of Regularization [2.3204178451683264]
本稿では,HARデータセットを用いたタスク・インクリメンタル学習手法の構成要素的分析を行う。
ほとんどの正規化アプローチには大きな効果がなく、失敗する際の直感が欠けていることが分かりました。
我々は、継続学習アルゴリズムの開発は、かなり多様なタスク・ドメインによって動機付けられるべきであると仮定する。
論文 参考訳（メタデータ） (2020-07-06T19:30:37Z)
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。