論文の概要: Deep Generative Domain Adaptation with Temporal Relation Knowledge for Cross-User Activity Recognition
- arxiv url: http://arxiv.org/abs/2403.14682v1
- Date: Tue, 12 Mar 2024 22:48:23 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-01 03:33:23.291307
- Title: Deep Generative Domain Adaptation with Temporal Relation Knowledge for Cross-User Activity Recognition
- Title（参考訳）: 時間的関係知識を用いたユーザ間活動認識のための深部生成ドメイン適応
- Authors: Xiaozhou Ye, Kevin I-Kai Wang,
- Abstract要約: 人間の行動認識では、トレーニングとテストが独立であり、同じ分布(すなわち、d)がしばしば失敗する。
本研究では,HARにおける時系列領域適応の独特な課題に対処する,ユニバーサルシーケンスマッピング(CVAE-USM)を用いた変分オートエンコーダを提案する。
本手法は, ユーザ間の共通時間パターンを捉え, 利用するために, 可変オートエンコーダ (VAE) とユニバーサルシーケンスマッピング (USM) の長所を組み合わせる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In human activity recognition (HAR), the assumption that training and testing data are independent and identically distributed (i.i.d.) often fails, particularly in cross-user scenarios where data distributions vary significantly. This discrepancy highlights the limitations of conventional domain adaptation methods in HAR, which typically overlook the inherent temporal relations in time-series data. To bridge this gap, our study introduces a Conditional Variational Autoencoder with Universal Sequence Mapping (CVAE-USM) approach, which addresses the unique challenges of time-series domain adaptation in HAR by relaxing the i.i.d. assumption and leveraging temporal relations to align data distributions effectively across different users. This method combines the strengths of Variational Autoencoder (VAE) and Universal Sequence Mapping (USM) to capture and utilize common temporal patterns between users for improved activity recognition. Our results, evaluated on two public HAR datasets (OPPT and PAMAP2), demonstrate that CVAE-USM outperforms existing state-of-the-art methods, offering a more accurate and generalizable solution for cross-user activity recognition.
- Abstract（参考訳）: ヒューマンアクティビティ認識(HAR)では、トレーニングとテストが独立して同じ分散(すなわち、データ分散が著しく異なるクロスユーザーシナリオ)であるという仮定がしばしば失敗する。
この違いは、通常、時系列データに固有の時間的関係を見落としている、HARにおける従来のドメイン適応手法の限界を強調している。
このギャップを埋めるため,本研究では,HARにおける時系列領域適応の独特な課題に対処する条件付き変分自動エンコーダ(CVAE-USM)を導入し,仮定を緩和し,時間的関係を利用して複数のユーザ間でデータ分散を効果的に整合させる手法を提案する。
本手法は, ユーザ間の共通時間パターンを捉え, 利用するために, 可変オートエンコーダ (VAE) とユニバーサルシーケンスマッピング (USM) の長所を組み合わせる。
2つの公開HARデータセット(OPPTとPAMAP2)で評価した結果、CVAE-USMは既存の最先端手法よりも優れており、ユーザ間のアクティビティ認識をより正確で一般化可能なソリューションを提供することが示された。
関連論文リスト
- MITA: Bridging the Gap between Model and Data for Test-time Adaptation [68.62509948690698]
テスト時間適応(TTA)は、モデルの一般化性を高めるための有望なパラダイムとして登場した。
本稿では,Met-In-The-MiddleをベースとしたMITAを提案する。
論文 参考訳（メタデータ） (2024-10-12T07:02:33Z) - tPARAFAC2: Tracking evolving patterns in (incomplete) temporal data [0.7285444492473742]
進化因子の時間的スムーズ性正規化を利用した t(emporal)PARAFAC2 を導入する。
シミュレーションおよび実データを用いた数値実験により,時間的滑らか度正則化の有効性が示された。
論文 参考訳（メタデータ） (2024-07-01T15:10:55Z) - PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
私たちはaを提案します。
フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。
我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
論文 参考訳（メタデータ） (2024-06-04T13:51:08Z) - Deep Generative Domain Adaptation with Temporal Attention for Cross-User Activity Recognition [0.0]
HAR(Human Activity Recognition)では、トレーニングや評価目的で使用されるデータが同じ分布から引き出されるという前提が主流である。
本研究では時間的アテンション法による深部生成ドメイン適応を提案する。
時間的関係注意機構による生成モデルの能力の相乗化により,本手法はユーザ間HARの分類性能を向上させる。
論文 参考訳（メタデータ） (2024-03-12T22:45:05Z) - Cross-user activity recognition using deep domain adaptation with temporal relation information [1.8749305679160366]
HAR(Human Activity Recognition)はユビキタスコンピューティングの基盤である。
本稿では,個人間の行動変動がデータ分布の異なる結果をもたらす,ユーザ間HAR問題について考察する。
本稿では,ユーザ間HARにおける時系列領域適応に適した革新的アプローチであるDeep Temporal State Domain Adaptation (DTSDA)モデルを紹介する。
論文 参考訳（メタデータ） (2024-03-12T22:38:09Z) - Cross-user activity recognition via temporal relation optimal transport [0.0]
人間の活動認識(HAR)に関する現在の研究は、トレーニングデータとテストデータが同一の分布から抽出され、一般化されたモデルを達成することを前提としている。
本稿では,時間的関係を利用した時間的関係最適輸送法(TROT)を提案し,$の仮定を緩和する。
論文 参考訳（メタデータ） (2024-03-12T22:33:56Z) - DIVERSIFY: A General Framework for Time Series Out-of-distribution
Detection and Generalization [58.704753031608625]
時系列は、機械学習研究における最も困難なモダリティの1つである。
時系列上でのOODの検出と一般化は、その非定常性によって悩まされる傾向がある。
時系列の動的分布のOOD検出と一般化のためのフレームワークであるDIVERSIFYを提案する。
論文 参考訳（メタデータ） (2023-08-04T12:27:11Z) - Cluster-level pseudo-labelling for source-free cross-domain facial
expression recognition [94.56304526014875]
表情認識のためのSFUDA法を提案する。
本手法は,自己教師付き事前学習を利用して,対象データから優れた特徴表現を学習する。
提案手法の有効性を4つの適応方式で検証し,FERに適用した場合,既存のSFUDA法より一貫して優れていることを示す。
論文 参考訳（メタデータ） (2022-10-11T08:24:50Z) - 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) - Multi-Domain Adversarial Feature Generalization for Person
Re-Identification [52.835955258959785]
マルチデータセット特徴一般化ネットワーク(MMFA-AAE)を提案する。
複数のラベル付きデータセットから普遍的なドメイン不変の特徴表現を学習し、それを見えないカメラシステムに一般化することができる。
また、最先端の教師付き手法や教師なしのドメイン適応手法を大きなマージンで超えている。
論文 参考訳（メタデータ） (2020-11-25T08:03:15Z)
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。