論文の概要: Learning Behavioral Representations of Routines From Large-scale Unlabeled Wearable Time-series Data Streams using Hawkes Point Process

• arxiv url: http://arxiv.org/abs/2307.04445v1
• Date: Mon, 10 Jul 2023 09:53:14 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-11 13:30:14.786825
• Title: Learning Behavioral Representations of Routines From Large-scale Unlabeled Wearable Time-series Data Streams using Hawkes Point Process
• Title（参考訳）: hawkes point プロセスを用いた大規模非ラベルウェアラブル時系列データストリームからのルーチンの動作表現の学習
• Authors: Tiantian Feng and Brandon M Booth and Shrikanth Narayanan
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 36.22926175850112
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Continuously-worn wearable sensors enable researchers to collect copious amounts of rich bio-behavioral time series recordings of real-life activities of daily living, offering unprecedented opportunities to infer novel human behavior patterns during daily routines. Existing approaches to routine discovery through bio-behavioral data rely either on pre-defined notions of activities or use additional non-behavioral measurements as contexts, such as GPS location or localization within the home, presenting risks to user privacy. In this work, we propose a novel wearable time-series mining framework, Hawkes point process On Time series clusters for ROutine Discovery (HOT-ROD), for uncovering behavioral routines from completely unlabeled wearable recordings. We utilize a covariance-based method to generate time-series clusters and discover routines via the Hawkes point process learning algorithm. We empirically validate our approach for extracting routine behaviors using a completely unlabeled time-series collected continuously from over 100 individuals both in and outside of the workplace during a period of ten weeks. Furthermore, we demonstrate this approach intuitively captures daily transitional relationships between physical activity states without using prior knowledge. We also show that the learned behavioral patterns can assist in illuminating an individual's personality and affect.
• Abstract（参考訳）: ウェアラブルセンサーによって、研究者たちは大量の生物行動の時系列記録を収集し、日々の生活の中で新しい人間の行動パターンを推測する前例のない機会を提供する。 既存の生物行動データによる日常的な発見へのアプローチは、事前に定義された活動の概念に依存するか、GPSの位置や家庭内のローカライゼーションのようなコンテキストとして追加の非行動計測を使用するか、ユーザのプライバシーに対するリスクを提示する。 本研究では,ROutine Discovery (HOT-ROD) のための新たなウェアラブル時系列マイニングフレームワークであるHawkes Point Process On Time Series Clusterを提案する。 共分散法を用いて時系列クラスタを生成し,ホークス点プロセス学習アルゴリズムを用いてルーチンを発見する。 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。 さらに,従来の知識を使わずに,身体活動状態間の日常的推移関係を直感的に捉えた。 また,学習した行動パターンが個人の個性や影響を照らすのに役立つことを示した。

関連論文リスト

• An Unsupervised Approach for Periodic Source Detection in Time Series [22.053675805215686]
  ノイズのある時系列データ内の周期的関心パターンの検出は、様々なタスクにおいて重要な役割を果たす。 既存の学習技術は、しばしば周期性を検出するためにラベルやクリーンな信号に頼っている。 本稿では,ラベルを使わずに時系列の周期性を検出する手法を提案する。
  論文  参考訳（メタデータ） (2024-06-01T22:23:51Z)
• VERSE: Virtual-Gradient Aware Streaming Lifelong Learning with Anytime Inference [36.61783715563126]
  生涯学習をストリーミングすることは、忘れずに継続的な学習を目標とすることで、生涯学習の挑戦的な設定である。 ストリーミング(学習例は1回に1回のみ)である生涯学習に新たなアプローチを導入する。 本稿では,各新しい例に適応し,過去のデータにも順応し,破滅的な忘れ込みを防止できる新しいエンフェクチュアル勾配に基づく連続表現学習手法を提案する。
  論文  参考訳（メタデータ） (2023-09-15T07:54:49Z)
• Rare Life Event Detection via Mobile Sensing Using Multi-Task Learning [1.0995444037562332]
  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。
  論文  参考訳（メタデータ） (2023-05-31T17:29:24Z)
• 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)
• Learning Self-Modulating Attention in Continuous Time Space with Applications to Sequential Recommendation [102.24108167002252]
  本稿では,複雑で非線形に進化する動的ユーザの嗜好をモデル化する,自己変調型注意ネットワークを提案する。 提案手法がトップNシーケンシャルなレコメンデーションタスクに与える影響を実証的に示すとともに,3つの大規模実世界のデータセットによる結果から,我々のモデルが最先端のパフォーマンスを達成できることを示す。
  論文  参考訳（メタデータ） (2022-03-30T03:54:11Z)
• Self-Attention Neural Bag-of-Features [103.70855797025689]
  我々は最近導入された2D-Attentionの上に構築し、注意学習方法論を再構築する。 本稿では,関連情報を強調した2次元目視マスクを学習する機能・時間的アテンション機構を提案する。
  論文  参考訳（メタデータ） (2022-01-26T17:54:14Z)
• STRODE: Stochastic Boundary Ordinary Differential Equation [30.237665903943963]
  時系列モデリングのほとんどのアルゴリズムは、視覚や音声の入力から直接ランダムなイベントタイミングのダイナミクスを学習できない。 本稿では、学習中にタイミングアノテーションを必要とせず、時系列データのタイミングとダイナミクスの両方を学習する確率的常微分方程式(ODE)を提案する。 その結果,本手法は時系列データのイベントタイミング推定に有効であることがわかった。
  論文  参考訳（メタデータ） (2021-07-17T16:25:46Z)
• Unsupervised Representation Learning for Time Series with Temporal Neighborhood Coding [8.45908939323268]
  非定常時系列に対する一般化可能な表現を学習するための自己教師型フレームワークを提案する。 我々のモチベーションは、時系列データの動的性質をモデル化する能力が特に有用である医療分野に起因している。
  論文  参考訳（メタデータ） (2021-06-01T19:53:24Z)
• Diverse Complexity Measures for Dataset Curation in Self-driving [80.55417232642124]
  トラフィックシーンの面白さを定量化する多様な基準を活用した新たなデータ選択手法を提案する。 実験の結果,提案するキュレーションパイプラインは,より汎用的で高いパフォーマンスをもたらすデータセットを選択できることが判明した。
  論文  参考訳（メタデータ） (2021-01-16T23:45:02Z)
• Augmenting Policy Learning with Routines Discovered from a Demonstration [86.9307760606403]
  日常的な政策学習(RAPL)を提案する。 RAPLは1つのデモから原始的なアクションからなるルーチンを発見する。 RAPLが最先端の模倣学習方法SQILと強化学習方法A2Cを改善することを示した。
  論文  参考訳（メタデータ） (2020-12-23T03:15:21Z)

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。