論文の概要: randomHAR: Improving Ensemble Deep Learners for Human Activity Recognition with Sensor Selection and Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2307.07770v1
• Date: Sat, 15 Jul 2023 10:51:03 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-18 17:46:33.483101
• Title: randomHAR: Improving Ensemble Deep Learners for Human Activity Recognition with Sensor Selection and Reinforcement Learning
• Title（参考訳）: randomHAR:センサ選択と強化学習による人間の活動認識のための深層学習の改善
• Authors: Yiran Huang, Yexu Zhou, Till Riedel, Likun Fang, Michael Beigl
• Abstract要約: randomHARの基本的な考え方は、ランダムに選択されたセンサーデータに基づいて、同じアーキテクチャで一連のディープラーニングモデルをトレーニングすることだ。 既存の作業とは対照的に、このアプローチは構成モデルのアーキテクチャよりもアンサンブルプロセスを最適化する。 実験により,提案手法は最先端手法であるアンサンブルLSTMよりも優れていることが示された。
• 参考スコア（独自算出の注目度）: 4.5830802802139585
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning has proven to be an effective approach in the field of Human activity recognition (HAR), outperforming other architectures that require manual feature engineering. Despite recent advancements, challenges inherent to HAR data, such as noisy data, intra-class variability and inter-class similarity, remain. To address these challenges, we propose an ensemble method, called randomHAR. The general idea behind randomHAR is training a series of deep learning models with the same architecture on randomly selected sensor data from the given dataset. Besides, an agent is trained with the reinforcement learning algorithm to identify the optimal subset of the trained models that are utilized for runtime prediction. In contrast to existing work, this approach optimizes the ensemble process rather than the architecture of the constituent models. To assess the performance of the approach, we compare it against two HAR algorithms, including the current state of the art, on six HAR benchmark datasets. The result of the experiment demonstrates that the proposed approach outperforms the state-of-the-art method, ensembleLSTM.
• Abstract（参考訳）: ディープラーニングは、ヒューマンアクティビティ認識(har)の分野で効果的なアプローチであることが証明されており、手動の機能エンジニアリングを必要とする他のアーキテクチャよりも優れている。 近年の進歩にもかかわらず、ノイズデータ、クラス内変動性、クラス間の類似性など、HARデータ固有の課題が残っている。 これらの課題に対処するため,ランダムHARと呼ばれるアンサンブル手法を提案する。 randomHARの基本的な考え方は、与えられたデータセットからランダムに選択されたセンサーデータに基づいて、同じアーキテクチャで一連のディープラーニングモデルをトレーニングすることだ。 さらに、エージェントは強化学習アルゴリズムを用いて訓練され、実行時予測に使用されるトレーニングされたモデルの最適なサブセットを特定する。 既存の作業とは対照的に、このアプローチは構成モデルのアーキテクチャよりもアンサンブルプロセスを最適化する。 このアプローチの性能を評価するために、6つのharベンチマークデータセットで、現在の技術を含む2つのharアルゴリズムと比較した。 実験の結果,提案手法は最先端手法であるアンサンブルLSTMよりも優れていることが示された。

関連論文リスト

• Process-aware Human Activity Recognition [1.912429179274357]
  本稿では,HARの性能向上のために,コンテキストからのプロセス情報を組み込んだ新しい手法を提案する。 具体的には、機械学習モデルによって生成された確率的事象と、文脈情報から導出されるプロセスモデルとを一致させる。 このアライメントは、これらの2つの情報源を適応的に重み付けし、HARの精度を最適化する。
  論文  参考訳（メタデータ） (2024-11-13T17:53:23Z)
• A Human-Centered Approach for Improving Supervised Learning [0.44378250612683995]
  本稿では、パフォーマンス、時間、リソースの制約のバランスをとる方法を示す。 この研究のもう1つの目標は、人間中心のアプローチを用いて、エンサンブルスをより説明しやすく、理解しやすくすることである。
  論文  参考訳（メタデータ） (2024-10-14T10:27:14Z)
• Denoising Pre-Training and Customized Prompt Learning for Efficient Multi-Behavior Sequential Recommendation [69.60321475454843]
  マルチビヘイビアシークエンシャルレコメンデーションに適した,最初の事前学習および迅速な学習パラダイムであるDPCPLを提案する。 事前学習段階において,複数の時間スケールでノイズを除去する新しい行動マイナ (EBM) を提案する。 次に,提案するCustomized Prompt Learning (CPL)モジュールを用いて,事前学習したモデルを高効率にチューニングすることを提案する。
  論文  参考訳（メタデータ） (2024-08-21T06:48:38Z)
• Representation Learning with Multi-Step Inverse Kinematics: An Efficient and Optimal Approach to Rich-Observation RL [106.82295532402335]
  既存の強化学習アルゴリズムは、計算的難易度、強い統計的仮定、最適なサンプルの複雑さに悩まされている。 所望の精度レベルに対して、レート最適サンプル複雑性を実現するための、最初の計算効率の良いアルゴリズムを提供する。 我々のアルゴリズムMusIKは、多段階の逆運動学に基づく表現学習と体系的な探索を組み合わせる。
  論文  参考訳（メタデータ） (2023-04-12T14:51:47Z)
• Towards Robust Dataset Learning [90.2590325441068]
  本稿では,頑健なデータセット学習問題を定式化するための三段階最適化法を提案する。 ロバストな特徴と非ロバストな特徴を特徴付ける抽象モデルの下で,提案手法はロバストなデータセットを確実に学習する。
  論文  参考訳（メタデータ） (2022-11-19T17:06:10Z)
• Efficient Deep Clustering of Human Activities and How to Improve Evaluation [53.08810276824894]
  我々は,ヒト活動の再コーグ・ニオン(HAR)のための新しい深層クラスタリングモデルを提案する。 本稿では,HARクラスタリングモデルがどのように評価されるかという,いくつかの異なる問題を取り上げる。 次に、これらの問題に対する解決策について議論し、将来の深層HARクラスタリングモデルに対する標準評価設定を提案する。
  論文  参考訳（メタデータ） (2022-09-17T14:12:42Z)
• Easy Ensemble: Simple Deep Ensemble Learning for Sensor-Based Human Activity Recognition [0.0]
  センサを用いたヒューマンアクティビティ認識(HAR)のための簡易アンサンブル(EE)を提案する。 EEは、単一のモデルでディープアンサンブル学習を簡単に実装できる。 また,脳波の入力を多様化する手法として,入力マスキングを提案する。
  論文  参考訳（メタデータ） (2022-03-08T15:30:32Z)
• DEALIO: Data-Efficient Adversarial Learning for Imitation from Observation [57.358212277226315]
  観察ifoからの模倣学習において、学習エージェントは、実演者の生成した制御信号にアクセスせずに、実演行動の観察のみを用いて実演エージェントを模倣しようとする。 近年、逆模倣学習に基づく手法は、ifO問題に対する最先端のパフォーマンスをもたらすが、データ非効率でモデルなしの強化学習アルゴリズムに依存するため、サンプルの複雑さに悩まされることが多い。 この問題は、サンプルの収集が時間、エネルギー、およびリスクの面で高いコストを被る可能性がある現実世界の設定に展開することは非現実的です。 よりデータ効率の高いifOアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-31T23:46:32Z)
• Learning-to-Learn Personalised Human Activity Recognition Models [1.5087842661221904]
  本稿では,HARのための個人化されたHARモデルを学習するためのメタラーニング手法を提案する。 既存のメタラーニングアルゴリズムにインスパイアされたパーソナライズされたMAMLとパーソナライズされた関係ネットワークの2つのアルゴリズムを紹介する。 比較研究では、最先端のDeep Learningアルゴリズムと、複数のHARドメインにおけるFew-shot Meta-Learningアルゴリズムに対して、大幅なパフォーマンス改善が示されている。
  論文  参考訳（メタデータ） (2020-06-12T21:11:59Z)
• Effective Human Activity Recognition Based on Small Datasets [11.521107108725188]
  1)生データの変換に基づく特徴生成を含むデータ変換,(2)AdaBoostアルゴリズムに基づく分類器の学習を含む特徴抽出,(3)パラメータ決定とパターン認識の3つのステップからなるHAR手法を提案する。 実験の結果,提案手法を用いることで,訓練データのサイズが小さくても,人間の活動をより正確に認識できることが示唆された。
  論文  参考訳（メタデータ） (2020-04-29T06:38:23Z)
• CONSAC: Robust Multi-Model Fitting by Conditional Sample Consensus [62.86856923633923]
  我々は,同じ形状の複数のパラメトリックモデルを雑音測定に適合させる頑健な推定器を提案する。 複数のモデル検出のための手作り検索戦略を利用する従来の研究とは対照的に,データから検索戦略を学習する。 探索の自己教師付き学習において,提案したアルゴリズムをマルチホログラフィー推定で評価し,最先端手法よりも優れた精度を示す。
  論文  参考訳（メタデータ） (2020-01-08T17:37:01Z)

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。