論文の概要: Rare Life Event Detection via Mobile Sensing Using Multi-Task Learning

• arxiv url: http://arxiv.org/abs/2305.20056v1
• Date: Wed, 31 May 2023 17:29:24 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-01 14:53:28.467691
• Title: Rare Life Event Detection via Mobile Sensing Using Multi-Task Learning
• Title（参考訳）: マルチタスク学習を用いたモバイルセンシングによるレアライフイベント検出
• Authors: Arvind Pillai, Subigya Nepal and Andrew Campbell
• Abstract要約: 希少な生命現象はメンタルヘルスに大きな影響を与え、行動研究におけるその検出は、健康に基づく介入への重要なステップである。 我々は,これらの異常を検出するために,モバイルセンシングデータを使用することを想定する。 本稿では,センサデータを用いて,生活事象と人間の行動のグランガー因果関係について検討する。
• 参考スコア（独自算出の注目度）: 1.0995444037562332
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Rare life events significantly impact mental health, and their detection in behavioral studies is a crucial step towards health-based interventions. We envision that mobile sensing data can be used to detect these anomalies. However, the human-centered nature of the problem, combined with the infrequency and uniqueness of these events makes it challenging for unsupervised machine learning methods. In this paper, we first investigate granger-causality between life events and human behavior using sensing data. Next, we propose a multi-task framework with an unsupervised autoencoder to capture irregular behavior, and an auxiliary sequence predictor that identifies transitions in workplace performance to contextualize events. We perform experiments using data from a mobile sensing study comprising N=126 information workers from multiple industries, spanning 10106 days with 198 rare events (<2%). Through personalized inference, we detect the exact day of a rare event with an F1 of 0.34, demonstrating that our method outperforms several baselines. Finally, we discuss the implications of our work from the context of real-world deployment.
• Abstract（参考訳）: 希少な生命現象はメンタルヘルスに大きな影響を与え、行動研究におけるその検出は、健康に基づく介入への重要なステップである。 我々は,これらの異常を検出するためにモバイルセンシングデータを活用することを想定する。 しかしながら、人間の中心的な問題の性質と、これらの事象の頻度とユニークさが組み合わさって、教師なしの機械学習手法では困難である。 本稿では,まず,生命の事象と人間の行動の相関関係をセンシングデータを用いて調査する。 次に,不規則な動作をキャプチャする教師なしオートエンコーダを備えたマルチタスクフレームワークと,イベントをコンテキスト化する作業パフォーマンスの遷移を識別する補助シーケンス予測器を提案する。 複数産業のN=126情報労働者からなるモバイルセンシング研究のデータを用いて10106日,198件のレアイベント(2%)を対象に実験を行った。 パーソナライズされた推論により、F1が0.34の稀な事象の正確な日を検知し、本手法がいくつかの基準値を上回ることを示す。 最後に,実世界の展開の文脈から作業の意義について考察する。

関連論文リスト

• Daily Physical Activity Monitoring -- Adaptive Learning from Multi-source Motion Sensor Data [17.604797095380114]
  医療アプリケーションでは、手首のウェアラブルデバイスのような単一のソースからのデータを使用する機械学習モデルを開発する必要性が高まっている。 しかしながら、単一ソースデータを使用することの制限は、人間の活動の全範囲を捉えるのに失敗するため、モデルの精度を損なうことが多い。 実験室で収集したマルチソースデータを活用することにより,日常的なアプリケーションを対象とした機械学習モデルを最適化するトランスファー学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-26T01:08:28Z)
• Frequency-Guided Multi-Level Human Action Anomaly Detection with Normalizing Flows [13.77542608443034]
  本研究では,人間の行動異常検出(HAAD)の課題について紹介する。 ビデオからの異常な出来事に主に焦点をあてる以前の人間関係の異常検出タスクと比較して、HAADは、意味的に異常な人間の行動を認識するために、特定のアクションラベルを学習する。
  論文  参考訳（メタデータ） (2024-04-26T12:56:16Z)
• Learning Behavioral Representations of Routines From Large-scale Unlabeled Wearable Time-series Data Streams using Hawkes Point Process [36.22926175850112]
  連続的に装着されたウェアラブルセンサーは、研究者が日々の生活の実際の活動に関する大量の生物行動時系列記録を収集することを可能にする。 ROutine Discovery (HOT-ROD)のための新しいウェアラブル時系列マイニングフレームワーク, Hawkes Point Process On Time Series Clusterを提案する。 10週間の間,職場内外から100人以上の個人から連続的に収集された全くラベルのない時系列を用いて,日常的な行動の抽出手法を実証的に検証した。
  論文  参考訳（メタデータ） (2023-07-10T09:53:14Z)
• A Matter of Annotation: An Empirical Study on In Situ and Self-Recall Activity Annotations from Wearable Sensors [56.554277096170246]
  In-the-wildデータ収集に焦点をあてたユーザスタディにおいて,一般的な4つのアノテーション手法の評価と対比を行う実験的検討を行った。 実際の記録プロセス中に参加者がアノテートするユーザ主導のin situアノテーションと、各日の終わりに参加者が振り返ってアノテートするリコールメソッドの両方に対して、参加者は自身のアクティビティクラスと対応するラベルを選択できる柔軟性を持っていた。
  論文  参考訳（メタデータ） (2023-05-15T16:02:56Z)
• Leveraging Unlabelled Data in Multiple-Instance Learning Problems for Improved Detection of Parkinsonian Tremor in Free-Living Conditions [80.88681952022479]
  本稿では,半教師付き学習とマルチスタンス学習を組み合わせた新しい手法を提案する。 本研究は,454被験者の非競合データを活用することにより,物体ごとの震動検出において大きな性能向上が達成できることを示す。
  論文  参考訳（メタデータ） (2023-04-29T12:25:10Z)
• Abnormal Event Detection via Hypergraph Contrastive Learning [54.80429341415227]
  異常事象検出は多くの実アプリケーションにおいて重要な役割を果たす。 本稿では,分散異種情報ネットワークにおける異常事象検出問題について検討する。 AEHCLと呼ばれる新しいハイパーグラフコントラスト学習法が,異常事象のパターンをフルに捉えるために提案されている。
  論文  参考訳（メタデータ） (2023-04-02T08:23:20Z)
• Automated Mobility Context Detection with Inertial Signals [7.71058263701836]
  本研究の主な目的は,日常の運動機能の遠隔監視のためのコンテキスト検出について検討することである。 本研究の目的は、ウェアラブル加速度計でサンプリングされた慣性信号が、歩行関連活動を屋内または屋外に分類するための信頼性の高い情報を提供するかを理解することである。
  論文  参考訳（メタデータ） (2022-05-16T09:34:43Z)
• Practical Challenges in Differentially-Private Federated Survival Analysis of Medical Data [57.19441629270029]
  本稿では,ニューラルネットワークの本質的特性を活用し,生存分析モデルの訓練過程を関連づける。 小さな医療データセットと少数のデータセンターの現実的な設定では、このノイズはモデルを収束させるのが難しくなります。 DPFed-post は,私的フェデレート学習方式に後処理の段階を追加する。
  論文  参考訳（メタデータ） (2022-02-08T10:03:24Z)
• A Background-Agnostic Framework with Adversarial Training for Abnormal Event Detection in Video [120.18562044084678]
  近年,ビデオにおける異常事象検出は複雑なコンピュータビジョンの問題として注目されている。 通常のイベントのみを含むトレーニングビデオから学習するバックグラウンド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） (2020-08-27T18:39:24Z)
• Detecting Human-Object Interactions with Action Co-occurrence Priors [108.31956827512376]
  人-物間相互作用(HOI)検出タスクにおける一般的な問題は、多数のHOIクラスが少数のラベル付き例しか持たないことである。 我々は、人間と物体の相互作用の間に自然の相関と反相関が存在することを観察した。 我々はこれらの先行知識を学習し、特に稀なクラスにおいてより効果的な訓練に活用する手法を提案する。
  論文  参考訳（メタデータ） (2020-07-17T02:47:45Z)

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。