Fugu-MT 論文翻訳(概要): Cross-user activity recognition using deep domain adaptation with temporal relation information

論文の概要: Cross-user activity recognition using deep domain adaptation with temporal relation information

arxiv url: http://arxiv.org/abs/2403.15424v1
Date: Tue, 12 Mar 2024 22:38:09 GMT
ステータス: 処理完了
システム内更新日: 2024-04-01 03:04:05.179267
Title: Cross-user activity recognition using deep domain adaptation with temporal relation information
Title（参考訳）: 時間的関係情報を用いた深部領域適応を用いたユーザ間活動認識
Authors: Xiaozhou Ye, Waleed H. Abdulla, Nirmal Nair, Kevin I-Kai Wang,
Abstract要約: 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。
参考スコア（独自算出の注目度）: 1.8749305679160366
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Human Activity Recognition (HAR) is a cornerstone of ubiquitous computing, with promising applications in diverse fields such as health monitoring and ambient assisted living. Despite significant advancements, sensor-based HAR methods often operate under the assumption that training and testing data have identical distributions. However, in many real-world scenarios, particularly in sensor-based HAR, this assumption is invalidated by out-of-distribution ($\displaystyle o.o.d.$) challenges, including differences from heterogeneous sensors, change over time, and individual behavioural variability. This paper centres on the latter, exploring the cross-user HAR problem where behavioural variability across individuals results in differing data distributions. To address this challenge, we introduce the Deep Temporal State Domain Adaptation (DTSDA) model, an innovative approach tailored for time series domain adaptation in cross-user HAR. Contrary to the common assumption of sample independence in existing domain adaptation approaches, DTSDA recognizes and harnesses the inherent temporal relations in the data. Therefore, we introduce 'Temporal State', a concept that defined the different sub-activities within an activity, consistent across different users. We ensure these sub-activities follow a logical time sequence through 'Temporal Consistency' property and propose the 'Pseudo Temporal State Labeling' method to identify the user-invariant temporal relations. Moreover, the design principle of DTSDA integrates adversarial learning for better domain adaptation. Comprehensive evaluations on three HAR datasets demonstrate DTSDA's superior performance in cross-user HAR applications by briding individual behavioral variability using temporal relations across sub-activities.
Abstract（参考訳）: HAR(Human Activity Recognition)はユビキタスコンピューティングの基盤であり、健康モニタリングや環境支援生活などの様々な分野において有望な応用が期待されている。大幅な進歩にもかかわらず、センサーベースのHAR法は、トレーニングデータとテストデータが同じ分布を持つという仮定の下で運用されることが多い。しかし、多くの現実のシナリオ、特にセンサーベースのHARでは、この仮定は不均一なセンサーの違い、時間の経過とともにの変化、個人の行動変動など、アウト・オブ・ディストリビューション(o.o.d.$)の課題によって無効化される。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。この課題に対処するために、クロスユーザーHARにおける時系列ドメイン適応に適した革新的なアプローチであるDeep Temporal State Domain Adaptation (DTSDA)モデルを導入する。既存のドメイン適応アプローチにおけるサンプル独立の一般的な仮定とは対照的に、DTSDAはデータ固有の時間的関係を認識し、活用する。そこで本稿では,アクティビティ内で異なるサブアクティビティを定義する概念である「テンポラルステート(Temporal State)」について紹介する。本研究では,これらのサブアクティビティが「時間一貫性」特性を介して論理時間列に従うことを保証し,ユーザと不変な時間関係を識別する「擬時状態ラベル法」を提案する。さらに、DTSDAの設計原理は、より良いドメイン適応のための逆学習を統合している。 3つのHARデータセットの包括的評価は、サブアクティビティ間の時間的関係を用いて個々の行動変動をブレンドすることにより、ユーザ間HARアプリケーションにおけるDTSDAの優れた性能を示す。

関連論文リスト

On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
論文参考訳（メタデータ） (2024-05-24T08:08:05Z)
Deep Generative Domain Adaptation with Temporal Relation Knowledge for Cross-User Activity Recognition [0.0]
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。
論文参考訳（メタデータ） (2024-03-12T22:48:23Z)
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 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)
Sequential Attention Source Identification Based on Feature Representation [88.05527934953311]
本稿では,テンポラルシーケンスに基づくグラフ注意源同定(TGASI)と呼ばれるシーケンス・ツー・シーケンス・ベースのローカライズ・フレームワークを提案する。なお、このインダクティブラーニングのアイデアは、TGASIが他の事前の知識を知らずに新しいシナリオのソースを検出できることを保証する。
論文参考訳（メタデータ） (2023-06-28T03:00:28Z)
Dataset Bias in Human Activity Recognition [57.91018542715725]
このコントリビューションは、トレーニングデータを統計的にキュレートし、人間の身体的特性がHARのパフォーマンスにどの程度影響するかを評価する。時系列HARのセンサ,アクティビティ,記録の異なる2つのHARデータセット上で,最先端の畳み込みニューラルネットワークの性能を評価する。
論文参考訳（メタデータ） (2023-01-19T12:33:50Z)
TASKED: Transformer-based Adversarial learning for human activity recognition using wearable sensors via Self-KnowledgE Distillation [6.458496335718508]
本稿では,TASKED(Self-KnowledgE Distillation)を用いたウェアラブルセンサを用いた,トランスフォーマーに基づく人間行動認識のための新しい逆学習フレームワークを提案する。提案手法では,教師なしの自己知識蒸留を採用し,訓練手順の安定性と人間の活動認識性能を向上させる。
論文参考訳（メタデータ） (2022-09-14T11:08:48Z)
Domain Adaptative Causality Encoder [52.779274858332656]
我々は,適応因果同定と局所化の課題に対処するために,依存木の特徴と敵対学習を活用する。我々は、テキストにあらゆる種類の因果関係を統合する新しい因果関係データセット、MedCausを提案する。
論文参考訳（メタデータ） (2020-11-27T04:14:55Z)
Unsupervised Domain Adaptation in Person re-ID via k-Reciprocal Clustering and Large-Scale Heterogeneous Environment Synthesis [76.46004354572956]
個人再識別のための教師なし領域適応手法を提案する。実験結果から,ktCUDA法とSHRED法は,再同定性能において,+5.7 mAPの平均的改善を実現することがわかった。
論文参考訳（メタデータ） (2020-01-14T17:43:52Z)

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。