論文の概要: Generalizable Sensor-Based Activity Recognition via Categorical Concept Invariant Learning

• arxiv url: http://arxiv.org/abs/2412.13594v1
• Date: Wed, 18 Dec 2024 08:18:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-19 16:49:02.716981
• Title: Generalizable Sensor-Based Activity Recognition via Categorical Concept Invariant Learning
• Title（参考訳）: カテゴリー的概念不変学習による一般化可能なセンサベースアクティビティ認識
• Authors: Di Xiong, Shuoyuan Wang, Lei Zhang, Wenbo Huang, Chaolei Han,
• Abstract要約: HAR(Human Activity Recognition)は、大規模センサデータに基づくモデルトレーニングにより、活動を認識することを目的としている。 HARの重要な側面の1つは、テストセットがトレーニングセットとは異なる分布を持つ可能性があることである。 一般化可能なアクティビティ認識のためのカテゴリー概念不変学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 5.920971285288677
• License:
• Abstract: Human Activity Recognition (HAR) aims to recognize activities by training models on massive sensor data. In real-world deployment, a crucial aspect of HAR that has been largely overlooked is that the test sets may have different distributions from training sets due to inter-subject variability including age, gender, behavioral habits, etc., which leads to poor generalization performance. One promising solution is to learn domain-invariant representations to enable a model to generalize on an unseen distribution. However, most existing methods only consider the feature-invariance of the penultimate layer for domain-invariant learning, which leads to suboptimal results. In this paper, we propose a Categorical Concept Invariant Learning (CCIL) framework for generalizable activity recognition, which introduces a concept matrix to regularize the model in the training stage by simultaneously concentrating on feature-invariance and logit-invariance. Our key idea is that the concept matrix for samples belonging to the same activity category should be similar. Extensive experiments on four public HAR benchmarks demonstrate that our CCIL substantially outperforms the state-of-the-art approaches under cross-person, cross-dataset, cross-position, and one-person-to-another settings.
• Abstract（参考訳）: HAR(Human Activity Recognition)は、大規模センサデータに基づくモデルトレーニングにより、活動を認識することを目的としている。 実世界の展開において、HARの重要な側面は、テストセットが年齢、性別、行動習慣などのオブジェクト間の変動によってトレーニングセットと異なる分布を持つ可能性があることである。 1つの有望な解決策は、モデルが目に見えない分布を一般化できるようにするために、ドメイン不変表現を学習することである。 しかし、既存のほとんどの手法は、ドメイン不変学習のための最小層の特徴不変性のみを考慮し、それが準最適結果をもたらす。 本稿では、一般化可能なアクティビティ認識のためのカテゴリー的概念不変学習(CCIL)フレームワークを提案し、特徴不変性とロジット不変性を同時に集中させることで、トレーニング段階でモデルを正規化するための概念行列を提案する。 私たちのキーとなる考え方は、同一のアクティビティカテゴリに属するサンプルのコンセプトマトリックスが類似しているべきだということです。 4つの公開HARベンチマークによる大規模な実験により、CCILは、クロスパーソン、クロスデータセット、クロスポジション、ワンパーソナライズされた設定の下で、最先端のアプローチを大幅に上回っていることが示された。

関連論文リスト

• Learning Invariant Molecular Representation in Latent Discrete Space [52.13724532622099]
  本稿では,分散シフトに対する不変性とロバスト性を示す分子表現を学習するための新しい枠組みを提案する。 我々のモデルは、様々な分布シフトが存在する場合に、最先端のベースラインに対してより強力な一般化を実現する。
  論文  参考訳（メタデータ） (2023-10-22T04:06:44Z)
• 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)
• Learning Common Rationale to Improve Self-Supervised Representation for Fine-Grained Visual Recognition Problems [61.11799513362704]
  我々は、インスタンスやクラスでよく見られる差別的手がかりを識別するための、追加のスクリーニングメカニズムの学習を提案する。 SSL目標から誘導されるGradCAMを単純に利用することで、共通な有理性検出器が学習可能であることを示す。
  論文  参考訳（メタデータ） (2023-03-03T02:07:40Z)
• Modeling Uncertain Feature Representation for Domain Generalization [49.129544670700525]
  提案手法は,複数の視覚タスクにおけるネットワーク一般化能力を常に改善することを示す。 我々の手法は単純だが有効であり、トレーニング可能なパラメータや損失制約を伴わずにネットワークに容易に統合できる。
  論文  参考訳（メタデータ） (2023-01-16T14:25:02Z)
• Distributional Shift Adaptation using Domain-Specific Features [41.91388601229745]
  オープンワールドのシナリオでは、ビッグデータのストリーミングはOut-Of-Distribution(OOD)になる。 特徴が不変か否かにかかわらず、一般の相関に依拠する単純かつ効果的な手法を提案する。 提案手法では,OODベースモデルによって同定された最も確実なサンプルを用いて,対象領域に効果的に適応する新しいモデルを訓練する。
  論文  参考訳（メタデータ） (2022-11-09T04:16:21Z)
• Domain Generalization for Activity Recognition via Adaptive Feature Fusion [9.458837222079612]
  本稿では,emphAdaptive Feature Fusion for Activity Recognition (AFFAR)を提案する。 AFFARは、モデルの一般化性能を改善するために、ドメイン不変表現とドメイン固有表現を融合することを学ぶ。 AFARを実際の応用、すなわち子どもの注意欠陥性高活動障害(ADHD)の診断に適用する。
  論文  参考訳（メタデータ） (2022-07-21T02:14:09Z)
• Agree to Disagree: Diversity through Disagreement for Better Transferability [54.308327969778155]
  本稿では,D-BAT(Diversity-By-dis-Agreement Training)を提案する。 我々は、D-BATが一般化された相違の概念から自然に現れることを示す。
  論文  参考訳（メタデータ） (2022-02-09T12:03:02Z)
• Feature Diversity Learning with Sample Dropout for Unsupervised Domain Adaptive Person Re-identification [0.0]
  本稿では,ノイズの多い擬似ラベルを限定することで,より優れた一般化能力を持つ特徴表現を学習する手法を提案する。 我々は,古典的な相互学習アーキテクチャの下で,FDL(Feature Diversity Learning)と呼ばれる新しい手法を提案する。 実験の結果,提案するFDL-SDは,複数のベンチマークデータセット上での最先端性能を実現することがわかった。
  論文  参考訳（メタデータ） (2022-01-25T10:10:48Z)
• Invariant Feature Learning for Sensor-based Human Activity Recognition [11.334750079923428]
  被験者やデバイス間で共有される共通情報を抽出する不変特徴学習フレームワーク(IFLF)を提案する。 実験により、IFLFは、一般的なオープンデータセットと社内データセットをまたいだ主題とデバイスディバージョンの両方を扱うのに効果的であることが示された。
  論文  参考訳（メタデータ） (2020-12-14T21:56:17Z)
• DiVA: Diverse Visual Feature Aggregation for Deep Metric Learning [83.48587570246231]
  視覚的類似性は多くのコンピュータビジョンアプリケーションにおいて重要な役割を果たす。 ディープ・メトリック・ラーニング(DML)は、そのような類似性を学ぶための強力なフレームワークである。 我々は,概念的に異なるデータ関係を対象とする複数の補完学習タスクを提案し,研究する。 我々は、訓練信号を集約する単一モデルを学び、その結果、強力な一般化と最先端のパフォーマンスが得られる。
  論文  参考訳（メタデータ） (2020-04-28T12:26:50Z)

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。