論文の概要: Deep Heterogeneous Contrastive Hyper-Graph Learning for In-the-Wild Context-Aware Human Activity Recognition

• arxiv url: http://arxiv.org/abs/2409.18481v1
• Date: Fri, 27 Sep 2024 06:43:06 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-06 06:02:07.280141
• Title: Deep Heterogeneous Contrastive Hyper-Graph Learning for In-the-Wild Context-Aware Human Activity Recognition
• Title（参考訳）: In-the-Wildコンテキストを考慮した人間の活動認識のための深層不均質なハイパーグラフ学習
• Authors: Wen Ge, Guanyi Mou, Emmanuel O. Agu, Kyumin Lee,
• Abstract要約: 本稿では、異種コンテキスト認識HAR(CA-HAR)ハイパーグラフ特性をキャプチャするフレームワークを提案する。 DHC-HGLは異種CA-HARデータを革新的な方法で処理する。 2つのCA-HARデータセットの厳密な評価では、DHC-HGLは最先端のベースラインよりも著しく優れていた。
• 参考スコア（独自算出の注目度）: 2.8132886759540146
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Human Activity Recognition (HAR) is a challenging, multi-label classification problem as activities may co-occur and sensor signals corresponding to the same activity may vary in different contexts (e.g., different device placements). This paper proposes a Deep Heterogeneous Contrastive Hyper-Graph Learning (DHC-HGL) framework that captures heterogenous Context-Aware HAR (CA-HAR) hypergraph properties in a message-passing and neighborhood-aggregation fashion. Prior work only explored homogeneous or shallow-node-heterogeneous graphs. DHC-HGL handles heterogeneous CA-HAR data by innovatively 1) Constructing three different types of sub-hypergraphs that are each passed through different custom HyperGraph Convolution (HGC) layers designed to handle edge-heterogeneity and 2) Adopting a contrastive loss function to ensure node-heterogeneity. In rigorous evaluation on two CA-HAR datasets, DHC-HGL significantly outperformed state-of-the-art baselines by 5.8% to 16.7% on Matthews Correlation Coefficient (MCC) and 3.0% to 8.4% on Macro F1 scores. UMAP visualizations of learned CA-HAR node embeddings are also presented to enhance model explainability.
• Abstract（参考訳）: HAR(Human Activity Recognition)は、アクティビティが共起し、同じアクティビティに対応するセンサー信号が異なるコンテキスト(例えば、異なるデバイス配置)で異なる可能性があるため、困難な多ラベル分類問題である。 本稿では、異種コンテキスト認識HAR(CA-HAR)ハイパーグラフ特性をメッセージパッシングおよび近傍集約方式でキャプチャするDeep Heterogeneous Contrastive Hyper-Graph Learning (DHC-HGL)フレームワークを提案する。 以前の研究は、等質グラフや浅いノード-異質グラフのみを探索した。 DHC-HGLは異種CA-HARデータを革新的な方法で処理する 1)エッジヘテロジネ性およびエッジヘテロジネ性を扱うために設計された3種類のサブハイパーグラフをそれぞれ異なる独自のHyperGraph Convolution(HGC)層を通過して構築する。 2)ノードの不均一性を保証するために対照的な損失関数を採用する。 2つのCA-HARデータセットの厳密な評価では、DHC-HGLはマシューズ相関係数(MCC)では5.8%から16.7%、マクロF1では3.0%から8.4%で、最先端のベースラインを著しく上回った。 学習したCA-HARノードの埋め込みのUMAP可視化も、モデル説明可能性を高めるために提示される。

関連論文リスト

• Heterogeneous Hyper-Graph Neural Networks for Context-aware Human Activity Recognition [2.8132886759540146]
  我々は,実世界の現実的なデータにおけるコンテキスト認識活動の訪問パターンを,汎用的なグラフ表現学習タスクとみなすことができると論じている。 本稿では,コンテキスト認識型ヒューマンアクティビティ認識のための新しいヘテロジニアスハイパーグラフニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-09-26T02:44:37Z)
• LAMP: Learnable Meta-Path Guided Adversarial Contrastive Learning for Heterogeneous Graphs [22.322402072526927]
  Heterogeneous Graph Contrastive Learning (HGCL)は通常、事前に定義されたメタパスを必要とする。 textsfLAMPは様々なメタパスのサブグラフを統一的で安定した構造に統合する。 textsfLAMPは、精度と堅牢性の観点から、既存の最先端の教師なしモデルよりも大幅に優れています。
  論文  参考訳（メタデータ） (2024-09-10T08:27:39Z)
• HGAttack: Transferable Heterogeneous Graph Adversarial Attack [63.35560741500611]
  ヘテロジニアスグラフニューラルネットワーク(HGNN)は、Webやeコマースなどの分野でのパフォーマンスでますます認識されている。 本稿ではヘテロジニアスグラフに対する最初の専用グレーボックス回避手法であるHGAttackを紹介する。
  論文  参考訳（メタデータ） (2024-01-18T12:47:13Z)
• Few-Shot Causal Representation Learning for Out-of-Distribution Generalization on Heterogeneous Graphs [16.130356170284127]
  ヘテロジニアスグラフ(HGs)におけるラベル空間性問題に対処するヘテロジニアスグラフスショットラーニング(HGFL)が開発されている。 本稿では,新しい因果OOD不均質グラフFew-shot学習モデル,すなわちCOHFを提案する。
  論文  参考訳（メタデータ） (2024-01-07T22:47:38Z)
• Cross-heterogeneity Graph Few-shot Learning [9.80898395055038]
  本稿では,異種間グラフFew-shot Learning,すなわちCGFLの新たなモデルを提案する。 CGFLでは,まず異種情報を取得するメタパターンを抽出する。 そこで我々は,ラベル付きサンプルの情報量を測定するスコアモジュールを提案し,各ソースHGの転送可能性を決定する。
  論文  参考訳（メタデータ） (2023-08-10T01:25:28Z)
• Histopathology Whole Slide Image Analysis with Heterogeneous Graph Representation Learning [78.49090351193269]
  本稿では,WSI分析のために,異なる種類の核間の相互関係を利用する新しいグラフベースのフレームワークを提案する。 具体的には、WSI を各ノードに "nucleus-type" 属性と各エッジに類似した意味属性を持つ異種グラフとして定式化する。 我々のフレームワークは、様々なタスクに対してかなりのマージンで最先端の手法より優れています。
  論文  参考訳（メタデータ） (2023-07-09T14:43:40Z)
• Heterogeneous Graph Neural Networks using Self-supervised Reciprocally Contrastive Learning [102.9138736545956]
  不均一グラフニューラルネットワーク(HGNN)は異種グラフのモデリングと解析において非常に一般的な手法である。 我々は,ノード属性とグラフトポロジの各ガイダンスに関する2つの視点を取り入れた,新規で頑健なヘテロジニアスグラフコントラスト学習手法であるHGCLを初めて開発する。 この新しいアプローチでは,属性とトポロジに関連情報を別々にマイニングする手法として,異なるが最も適した属性とトポロジの融合機構を2つの視点に適用する。
  論文  参考訳（メタデータ） (2022-04-30T12:57:02Z)
• GraphCoCo: Graph Complementary Contrastive Learning [65.89743197355722]
  グラフコントラスト学習(GCL)は、手作業によるアノテーションの監督なしに、グラフ表現学習(GRL)において有望な性能を示した。 本稿では,この課題に対処するため,グラフココというグラフ補完型コントラスト学習手法を提案する。
  論文  参考訳（メタデータ） (2022-03-24T02:58:36Z)
• Learning Multi-Granular Hypergraphs for Video-Based Person Re-Identification [110.52328716130022]
  ビデオベースの人物識別(re-ID)はコンピュータビジョンにおいて重要な研究課題である。 MGH(Multi-Granular Hypergraph)という新しいグラフベースのフレームワークを提案する。 MARSの90.0%のトップ-1精度はMGHを用いて達成され、最先端のスキームよりも優れていた。
  論文  参考訳（メタデータ） (2021-04-30T11:20:02Z)
• Hybrid Micro/Macro Level Convolution for Heterogeneous Graph Learning [45.14314180743549]
  不均一グラフは、各グラフが複数の種類のノードとエッジから構成される現実的なシナリオで広く普及する。 既存のグラフ畳み込みアプローチのほとんどは均質グラフ用に設計されており、したがって異種グラフを扱うことはできない。 ヘテロジニアスグラフ上の包括的ノード表現を学習するための新しいヘテロジニアスグラフ畳み込み手法であるHGConvを提案する。
  論文  参考訳（メタデータ） (2020-12-29T12:12:37Z)
• A Survey on Heterogeneous Graph Embedding: Methods, Techniques, Applications and Sources [79.48829365560788]
  異種情報ネットワーク (heterogenous information network) としても知られるヘテロジニアスグラフ (HGs) は、現実のシナリオにおいてユビキタス化されている。 HG埋め込みは、下流タスクのための不均一な構造と意味を保ちながら、低次元空間での表現を学習することを目的としている。
  論文  参考訳（メタデータ） (2020-11-30T15:03:47Z)

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。