論文の概要: Standardizing Your Training Process for Human Activity Recognition
Models: A Comprehensive Review in the Tunable Factors
- arxiv url: http://arxiv.org/abs/2401.05477v1
- Date: Wed, 10 Jan 2024 17:45:28 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-13 02:19:26.751303
- Title: Standardizing Your Training Process for Human Activity Recognition
Models: A Comprehensive Review in the Tunable Factors
- Title（参考訳）: 人間の活動認識モデルにおける学習過程の標準化--障害要因の包括的考察
- Authors: Yiran Huang, Haibin Zhao, Yexu Zhou, Till Riedel, Michael Beigl
- Abstract要約: ウェアラブルヒューマンアクティビティ認識(WHAR)分野における現代ディープラーニング研究の総括的レビューを行う。
この結果から,モデルトレーニングプロトコルが提供する詳細が欠如していることが示唆された。
分析から得られた知見をもとに,WHARモデルに適合した新たな統合トレーニング手順を定義する。
- 参考スコア（独自算出の注目度）: 4.199844472131922
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In recent years, deep learning has emerged as a potent tool across a
multitude of domains, leading to a surge in research pertaining to its
application in the wearable human activity recognition (WHAR) domain. Despite
the rapid development, concerns have been raised about the lack of
standardization and consistency in the procedures used for experimental model
training, which may affect the reproducibility and reliability of research
results. In this paper, we provide an exhaustive review of contemporary deep
learning research in the field of WHAR and collate information pertaining to
the training procedure employed in various studies. Our findings suggest that a
major trend is the lack of detail provided by model training protocols.
Besides, to gain a clearer understanding of the impact of missing descriptions,
we utilize a control variables approach to assess the impact of key tunable
components (e.g., optimization techniques and early stopping criteria) on the
inter-subject generalization capabilities of HAR models. With insights from the
analyses, we define a novel integrated training procedure tailored to the WHAR
model. Empirical results derived using five well-known \ac{whar} benchmark
datasets and three classical HAR model architectures demonstrate the
effectiveness of our proposed methodology: in particular, there is a
significant improvement in macro F1 leave one subject out cross-validation
performance.
- Abstract（参考訳）: 近年、ディープラーニングはさまざまな分野にまたがる強力なツールとして登場し、ウェアラブルヒューマンアクティビティ認識(whar)ドメインでの応用に関する研究が急増している。
急速な発展にもかかわらず、実験モデルトレーニングで使用される手順の標準化と整合性の欠如が懸念され、その結果の再現性と信頼性に影響を及ぼす可能性がある。
本稿では,WHAR分野における現代の深層学習研究の総括的レビューと,様々な研究で採用されている訓練手順に関する情報の照合を行う。
この結果から,モデルトレーニングプロトコルが提供する詳細が欠如していることが示唆された。
さらに、欠落した記述の影響をより明確に理解するために、制御変数アプローチを用いて、HARモデルのオブジェクト間一般化能力に対するキーチューニング可能なコンポーネント(最適化手法や早期停止基準など)の影響を評価する。
分析から得られた知見をもとに,WHARモデルに合わせた新たな統合トレーニング手順を定義する。
5つのよく知られた \ac{whar} ベンチマークデータセットと3つの古典的HARモデルアーキテクチャを用いて得られた実験結果から,提案手法の有効性が示された。
関連論文リスト
- Exploring the Precise Dynamics of Single-Layer GAN Models: Leveraging Multi-Feature Discriminators for High-Dimensional Subspace Learning [0.0]
サブスペース学習の観点から,単層GANモデルのトレーニングダイナミクスについて検討する。
解析をサブスペース学習の領域にブリッジすることで,従来の手法と比較してGAN法の有効性を体系的に比較する。
論文 参考訳（メタデータ） (2024-11-01T10:21:12Z) - Explanatory Model Monitoring to Understand the Effects of Feature Shifts on Performance [61.06245197347139]
そこで本研究では,機能シフトによるブラックボックスモデルの振る舞いを説明する新しい手法を提案する。
本稿では,最適輸送と共有値の概念を組み合わせた提案手法について,説明的性能推定として紹介する。
論文 参考訳（メタデータ） (2024-08-24T18:28:19Z) - Towards Understanding the Influence of Reward Margin on Preference Model Performance [8.891183078634786]
本研究では,人間のアノテータからの詳細なラベルを必要とせず,好みの違いを推定する新しい手法を提案する。
実験の結果,トレーニングプロセスにマージン値を組み込むことで,報酬モデルの有効性が著しく向上することを示す実証的証拠が得られた。
論文 参考訳（メタデータ） (2024-04-07T12:10:04Z) - 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) - A PAC-Bayesian Perspective on the Interpolating Information Criterion [54.548058449535155]
補間系の性能に影響を及ぼす要因を特徴付ける一般モデルのクラスに対して,PAC-Bayes境界がいかに得られるかを示す。
オーバーパラメータ化モデルに対するテスト誤差が、モデルとパラメータの初期化スキームの組み合わせによって課される暗黙の正規化の品質に依存するかの定量化を行う。
論文 参考訳（メタデータ） (2023-11-13T01:48:08Z) - ALP: Action-Aware Embodied Learning for Perception [60.64801970249279]
認知のための行動認識型身体学習(ALP)について紹介する。
ALPは、強化学習ポリシーと逆ダイナミクス予測目標を最適化することにより、行動情報を表現学習に組み込む。
ALPは、複数の下流認識タスクにおいて、既存のベースラインよりも優れていることを示す。
論文 参考訳（メタデータ） (2023-06-16T21:51:04Z) - Post Hoc Explanations of Language Models Can Improve Language Models [43.2109029463221]
AMPLIFY(Post Hoc Explanations)を用いたインコンテキスト学習の活用によるモデル性能向上のための新しいフレームワークを提案する。
我々は,各入力特徴がモデル予測に与える影響を抽出し,帰属スコア(説明)を出力するポストホック説明手法を活用する。
AMPLIFYは,幅広いタスクに対して約10～25%の精度向上を実現している。
論文 参考訳（メタデータ） (2023-05-19T04:46:04Z) - Improving Sample Efficiency of Deep Learning Models in Electricity
Market [0.41998444721319217]
我々は,サンプルの効率を向上させるため,知識強化トレーニング(KAT)という一般的なフレームワークを提案する。
本稿では,いくつかの合成データを生成する新しいデータ拡張手法を提案する。
現代の学習理論は, 効果的な予測誤差フィードバック, 信頼損失関数, リッチ勾配雑音の観点から, 提案手法の有効性を実証している。
論文 参考訳（メタデータ） (2022-10-11T16:35:13Z) - An Empirical Study on Distribution Shift Robustness From the Perspective
of Pre-Training and Data Augmentation [91.62129090006745]
本稿では,事前学習とデータ拡張の観点から分布シフト問題を考察する。
我々は,事前学習とデータ拡張に焦点を当てた,最初の総合的な実証的研究を行った。
論文 参考訳（メタデータ） (2022-05-25T13:04:53Z) - Accurate and Robust Feature Importance Estimation under Distribution
Shifts [49.58991359544005]
PRoFILEは、新しい特徴重要度推定法である。
忠実さと頑健さの両面で、最先端のアプローチよりも大幅に改善されていることを示す。
論文 参考訳（メタデータ） (2020-09-30T05:29:01Z)
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。