論文の概要: Active Reinforcement Learning for Personalized Stress Monitoring in Everyday Settings

• arxiv url: http://arxiv.org/abs/2305.00111v1
• Date: Fri, 28 Apr 2023 22:09:19 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-02 17:09:40.552448
• Title: Active Reinforcement Learning for Personalized Stress Monitoring in Everyday Settings
• Title（参考訳）: 日常的ストレスモニタリングのためのアクティブ強化学習
• Authors: Ali Tazarv, Sina Labbaf, Amir Rahmani, Nikil Dutt, Marco Levorato
• Abstract要約: 本稿では,日常の環境をターゲットとしたウェアラブルセンサを用いた微粒な応力検出問題について考察する。 我々は,生理的信号を定期的に捉え,リアルタイムで処理する多層センサエッジクラウドプラットフォームを開発した。 提案手法は,ユーザからのクエリを88%,32%削減して,望ましい検出性能を実現する。
• 参考スコア（独自算出の注目度）: 4.4353357514621745
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Most existing sensor-based monitoring frameworks presume that a large available labeled dataset is processed to train accurate detection models. However, in settings where personalization is necessary at deployment time to fine-tune the model, a person-specific dataset needs to be collected online by interacting with the users. Optimizing the collection of labels in such phase is instrumental to impose a tolerable burden on the users while maximizing personal improvement. In this paper, we consider a fine-grain stress detection problem based on wearable sensors targeting everyday settings, and propose a novel context-aware active learning strategy capable of jointly maximizing the meaningfulness of the signal samples we request the user to label and the response rate. We develop a multilayered sensor-edge-cloud platform to periodically capture physiological signals and process them in real-time, as well as to collect labels and retrain the detection model. We collect a large dataset and show that the context-aware active learning technique we propose achieves a desirable detection performance using 88\% and 32\% fewer queries from users compared to a randomized strategy and a traditional active learning strategy, respectively.
• Abstract（参考訳）: 既存のセンサベースの監視フレームワークの多くは、大規模なラベル付きデータセットが処理され、正確な検出モデルをトレーニングしていると仮定している。 しかしながら、デプロイ時にパーソナライズが必要な設定でモデルを微調整するには、ユーザとのインタラクションによって、個人固有のデータセットをオンラインで収集する必要がある。 このような段階でラベルの収集を最適化することは、個人的改善を最大化しつつ、ユーザに対して許容可能な負担を課すのに役立つ。 本稿では,日常的な環境を対象とするウェアラブルセンサに基づく微細粒度ストレス検出問題について検討し,ユーザがラベル付けと応答率を要求できる信号サンプルの有意性を共同で最大化できる,新しいコンテキスト認識アクティブラーニング戦略を提案する。 我々は,生理的信号を定期的に捉え,リアルタイムで処理し,ラベルを収集し,検出モデルを再訓練する多層センサクラウドプラットフォームを開発した。 本研究では,大規模データセットを収集し,コンテキスト認識型アクティブラーニング手法により,ランダム化戦略と従来のアクティブラーニング戦略と比較して,ユーザからのクエリを88\%,32\%削減することで,望ましい検出性能が得られることを示す。

関連論文リスト

• A CLIP-Powered Framework for Robust and Generalizable Data Selection [51.46695086779598]
  実世界のデータセットは、しばしば冗長でノイズの多いデータを含み、トレーニング効率とモデルパフォーマンスに悪影響を及ぼす。 データ選択は、データセット全体から最も代表的なサンプルを特定することを約束している。 より堅牢で一般化可能なサンプル選択にマルチモーダル情報を活用するCLIPを利用した新しいデータ選択フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-15T03:00:58Z)
• TrajSSL: Trajectory-Enhanced Semi-Supervised 3D Object Detection [59.498894868956306]
  Pseudo-labeling approach to semi-supervised learning は教師-学生の枠組みを採用する。 我々は、事前学習した動き予測モデルを活用し、擬似ラベル付きデータに基づいて物体軌跡を生成する。 提案手法は2つの異なる方法で擬似ラベル品質を向上する。
  論文  参考訳（メタデータ） (2024-09-17T05:35:00Z)
• 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)
• Enhancing Performance and User Engagement in Everyday Stress Monitoring: A Context-Aware Active Reinforcement Learning Approach [4.132425356039815]
  本稿では,スマートウォッチとスマートフォンのコンテキストデータを用いたストレス検出のための,新しい文脈認識型アクティブラーニング(RL)アルゴリズムを提案する。 提案手法では,EMAの展開に最適な時刻を動的に選択し,ユーザの即時コンテキストを利用してラベルの精度を最大化し,侵入性を最小化する。 この研究は、パーソナライズされたコンテキスト駆動のリアルタイムストレスモニタリング手法への大きな動きを示す。
  論文  参考訳（メタデータ） (2024-07-11T06:33:11Z)
• Stochastic Amortization: A Unified Approach to Accelerate Feature and Data Attribution [62.71425232332837]
  雑音ラベル付きモデルを用いたトレーニングは安価で驚くほど効果的であることを示す。 このアプローチは、いくつかの特徴属性とデータ評価手法を著しく加速し、しばしば既存のアプローチよりも桁違いにスピードアップする。
  論文  参考訳（メタデータ） (2024-01-29T03:42:37Z)
• Large-scale Fully-Unsupervised Re-Identification [78.47108158030213]
  大規模未ラベルデータから学ぶための2つの戦略を提案する。 第1の戦略は、近傍関係に違反することなく、それぞれのデータセットサイズを減らすために、局所的な近傍サンプリングを行う。 第2の戦略は、低時間上限の複雑さを持ち、メモリの複雑さを O(n2) から O(kn) に k n で還元する新しい再帰的手法を利用する。
  論文  参考訳（メタデータ） (2023-07-26T16:19:19Z)
• Refining the Optimization Target for Automatic Univariate Time Series Anomaly Detection in Monitoring Services [7.950139316901604]
  本稿では,時系列異常検出モデルにおけるパラメータ自動最適化のための包括的フレームワークを提案する。 このフレームワークには,予測スコア,形状スコア,感度スコアという,3つの最適化目標が導入されている。 提案されたフレームワークは6ヶ月以上オンラインで適用され、毎分5万回以上の時系列が配信されている。
  論文  参考訳（メタデータ） (2023-07-20T07:33:36Z)
• Stream-based active learning with linear models [0.7734726150561089]
  生産において、製品情報を取得するためにランダム検査を行う代わりに、ラベルなしデータの情報内容を評価することによりラベルを収集する。 本稿では,ストリームベースのシナリオを学習者に順次提供するための新たな戦略を提案する。 未ラベルデータポイントの通知性にしきい値を設定することにより、意思決定プロセスの反復的な側面に取り組む。
  論文  参考訳（メタデータ） (2022-07-20T13:15:23Z)
• Data Collection and Labeling of Real-Time IoT-Enabled Bio-Signals in Everyday Settings for Mental Health Improvement [6.7377504888630675]
  リアルタイムの生理的データ収集と分析は、現代の幸福な応用において中心的な役割を果たす。 本稿では, ウェアラブルセンサからの光胸腺図, 加速度, ジャイロスコープ, 重力データのリアルタイム収集と解析を行うシステムを構築した。
  論文  参考訳（メタデータ） (2021-08-02T20:56:48Z)
• Graph-based Reinforcement Learning for Active Learning in Real Time: An Application in Modeling River Networks [2.8631830115500394]
  本研究では,空間的・時間的文脈情報を用いたリアルタイム能動学習手法を開発し,強化学習フレームワークにおける代表的クエリサンプルの選択を行う。 ラベル付きデータ収集の予算が限られているデラウェア川流域において, 流水量と水温を予測し, 提案手法の有効性を実証した。
  論文  参考訳（メタデータ） (2020-10-27T02:19:40Z)
• 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。