論文の概要: Benchmarking Classical, Deep, and Generative Models for Human Activity Recognition

• arxiv url: http://arxiv.org/abs/2501.08471v1
• Date: Tue, 14 Jan 2025 22:36:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-16 15:53:19.033392
• Title: Benchmarking Classical, Deep, and Generative Models for Human Activity Recognition
• Title（参考訳）: 人間の行動認識のための古典的, 深い, 生成的モデルのベンチマーク
• Authors: Md Meem Hossain, The Anh Han, Safina Showkat Ara, Zia Ush Shamszaman,
• Abstract要約: 本稿では,古典的機械学習,ディープラーニングアーキテクチャ,ボルツマンマシン(RBM)の3つのカテゴリのモデルの性能を評価する。 我々は、決定木、ランダムフォレスト、コナールニューラルネットワーク(CNN)、ディープリーフネットワーク(DBN)など、さまざまなモデルを評価する。 その結果、CNNモデルは、特にバークレーMHADにおいて、すべてのデータセットで優れたパフォーマンスを提供することが示された。
• 参考スコア（独自算出の注目度）: 1.0124625066746595
• License:
• Abstract: Human Activity Recognition (HAR) has gained significant importance with the growing use of sensor-equipped devices and large datasets. This paper evaluates the performance of three categories of models : classical machine learning, deep learning architectures, and Restricted Boltzmann Machines (RBMs) using five key benchmark datasets of HAR (UCI-HAR, OPPORTUNITY, PAMAP2, WISDM, and Berkeley MHAD). We assess various models, including Decision Trees, Random Forests, Convolutional Neural Networks (CNN), and Deep Belief Networks (DBNs), using metrics such as accuracy, precision, recall, and F1-score for a comprehensive comparison. The results show that CNN models offer superior performance across all datasets, especially on the Berkeley MHAD. Classical models like Random Forest do well on smaller datasets but face challenges with larger, more complex data. RBM-based models also show notable potential, particularly for feature learning. This paper offers a detailed comparison to help researchers choose the most suitable model for HAR tasks.
• Abstract（参考訳）: HAR(Human Activity Recognition)は、センサーを備えたデバイスや大規模なデータセットの利用の増加によって、重要な意味を持つようになった。 本稿では、HAR(UCI-HAR, OPPORTUNITY, PAMAP2, WISDM, バークレーMHAD)の5つのベンチマークデータセットを用いて、古典的機械学習、ディープラーニングアーキテクチャ、制限付きボルツマンマシン(RBM)の3つのカテゴリのパフォーマンスを評価する。 決定木、ランダムフォレスト、畳み込みニューラルネットワーク(CNN)、Deep Belief Networks(DBN)などの様々なモデルについて、総合的な比較のために精度、精度、リコール、F1スコアなどの指標を用いて評価する。 その結果、CNNモデルは、特にバークレーMHADにおいて、すべてのデータセットで優れたパフォーマンスを提供することが示された。 Random Forestのような古典的なモデルは、小さなデータセットではうまく機能するが、より大きく複雑なデータでは課題に直面している。 RBMベースのモデルは、特に特徴学習において顕著な可能性を示す。 本稿では、研究者がHARタスクに最適なモデルを選択するのを助けるために、詳細な比較を行う。

関連論文リスト

• On Machine Learning Approaches for Protein-Ligand Binding Affinity Prediction [2.874893537471256]
  本研究では,タンパク質-リガンド結合親和性予測における古典的木モデルと高度なニューラルネットワークの性能を評価する。 2次元モデルと3次元モデルを組み合わせることで、現在の最先端のアプローチを超えて、アクティブな学習結果が向上することを示す。
  論文  参考訳（メタデータ） (2024-07-15T13:06:00Z)
• Deep networks for system identification: a Survey [56.34005280792013]
  システム識別は、入力出力データから動的システムの数学的記述を学習する。 同定されたモデルの主な目的は、以前の観測から新しいデータを予測することである。 我々は、フィードフォワード、畳み込み、リカレントネットワークなどの文献で一般的に採用されているアーキテクチャについて論じる。
  論文  参考訳（メタデータ） (2023-01-30T12:38:31Z)
• Part-Based Models Improve Adversarial Robustness [57.699029966800644]
  人間の事前知識とエンドツーエンドの学習を組み合わせることで、ディープニューラルネットワークの堅牢性を向上させることができることを示す。 我々のモデルは、部分分割モデルと小さな分類器を組み合わせて、オブジェクトを同時に部品に分割するようにエンドツーエンドに訓練されている。 実験の結果,これらのモデルによりテクスチャバイアスが低減され,一般的な汚職に対する堅牢性が向上し,相関が急上昇することが示唆された。
  論文  参考訳（メタデータ） (2022-09-15T15:41:47Z)
• Data-Free Adversarial Knowledge Distillation for Graph Neural Networks [62.71646916191515]
  グラフ構造化データ(DFAD-GNN)を用いたデータフリー逆知識蒸留のための第1のエンドツーエンドフレームワークを提案する。 具体的には、DFAD-GNNは、教師モデルと学生モデルとを2つの識別器とみなし、教師モデルから学生モデルに知識を抽出するために学習グラフを導出するジェネレータという、主に3つの成分からなる生成的対向ネットワークを採用している。 我々のDFAD-GNNは、グラフ分類タスクにおける最先端のデータフリーベースラインを大幅に上回っている。
  論文  参考訳（メタデータ） (2022-05-08T08:19:40Z)
• Transformer-Based Behavioral Representation Learning Enables Transfer Learning for Mobile Sensing in Small Datasets [4.276883061502341]
  時系列から一般化可能な特徴表現を学習できるモバイルセンシングデータのためのニューラルネットワークフレームワークを提供する。 このアーキテクチャは、CNNとTrans-formerアーキテクチャの利点を組み合わせて、より良い予測性能を実現する。
  論文  参考訳（メタデータ） (2021-07-09T22:26:50Z)
• Comparing Test Sets with Item Response Theory [53.755064720563]
  我々は,18の事前学習トランスフォーマーモデルから予測した29のデータセットを個別のテスト例で評価した。 Quoref、HellaSwag、MC-TACOは最先端のモデルを区別するのに最適である。 また、QAMRやSQuAD2.0のようなQAデータセットに使用されるスパン選択タスク形式は、強いモデルと弱いモデルとの差別化に有効である。
  論文  参考訳（メタデータ） (2021-06-01T22:33:53Z)
• ALT-MAS: A Data-Efficient Framework for Active Testing of Machine Learning Algorithms [58.684954492439424]
  少量のラベル付きテストデータのみを用いて機械学習モデルを効率的にテストする新しいフレームワークを提案する。 ベイズニューラルネットワーク(bnn)を用いたモデルアンダーテストの関心指標の推定が目的である。
  論文  参考訳（メタデータ） (2021-04-11T12:14:04Z)
• Human Activity Analysis and Recognition from Smartphones using Machine Learning Techniques [0.0]
  人間の活動認識(HAR)は、過去数十年で貴重な研究トピックと考えられています。 本稿では、機械学習モデルを用いてデータを分析し、人間の活動を認識する。
  論文  参考訳（メタデータ） (2021-03-30T16:46:40Z)
• Few-Shot Named Entity Recognition: A Comprehensive Study [92.40991050806544]
  マルチショット設定のモデル一般化能力を向上させるための3つの手法を検討する。 ラベル付きデータの比率の異なる10の公開nerデータセットについて経験的比較を行う。 マルチショットとトレーニングフリーの両方の設定で最新の結果を作成します。
  論文  参考訳（メタデータ） (2020-12-29T23:43:16Z)
• It's the Best Only When It Fits You Most: Finding Related Models for Serving Based on Dynamic Locality Sensitive Hashing [1.581913948762905]
  トレーニングデータの作成は、生産や研究のためにディープラーニングモデルをデプロイするライフサイクルにおいて、しばしばボトルネックとなる。 本稿では,対象のデータセットと利用可能なモデルのトレーニングデータセットの類似性に基づいて,関連するモデルを検索してサービスするエンド・ツー・エンドプロセスを提案する。
  論文  参考訳（メタデータ） (2020-10-13T22:52:13Z)
• Automated Human Activity Recognition by Colliding Bodies Optimization-based Optimal Feature Selection with Recurrent Neural Network [0.0]
  HAR(Human Activity Recognition)は、センサの読み取りから広範に計算を行う上で、効率的なモデルであると考えられている。 本稿では,UC Irvine Machine Learning Repository(UCI)で公開されているスマートセンサから収集したデータを用いて,ディープラーニングを用いたHARシステムの実装を誘致する。
  論文  参考訳（メタデータ） (2020-10-07T10:58:46Z)

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。