論文の概要: ConSense: Continually Sensing Human Activity with WiFi via Growing and Picking

• arxiv url: http://arxiv.org/abs/2502.17483v1
• Date: Tue, 18 Feb 2025 11:20:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-02 02:21:20.810653
• Title: ConSense: Continually Sensing Human Activity with WiFi via Growing and Picking
• Title（参考訳）: WiFiで人間の活動を継続的に感知するConsense
• Authors: Rong Li, Tao Deng, Siwei Feng, Mingjie Sun, Juncheng Jia,
• Abstract要約: WiFiベースのヒューマンアクティビティ認識(HAR)は、様々な分野において大きな応用可能性を持っている。 新しいアクティビティが継続的に導入される動的な環境に対処するためには、WiFiベースのHARシステムは、以前に学習したものを忘れずに新しい概念を学習して適応する必要がある。 本研究では,Wi-FiベースのHARのための,軽量かつ高速適応型クラスインクリメンタル学習フレームワークであるConSenseを提案する。
• 参考スコア（独自算出の注目度）: 19.09127252818096
• License:
• Abstract: WiFi-based human activity recognition (HAR) holds significant application potential across various fields. To handle dynamic environments where new activities are continuously introduced, WiFi-based HAR systems must adapt by learning new concepts without forgetting previously learned ones. Furthermore, retaining knowledge from old activities by storing historical exemplar is impractical for WiFi-based HAR due to privacy concerns and limited storage capacity of edge devices. In this work, we propose ConSense, a lightweight and fast-adapted exemplar-free class incremental learning framework for WiFi-based HAR. The framework leverages the transformer architecture and involves dynamic model expansion and selective retraining to preserve previously learned knowledge while integrating new information. Specifically, during incremental sessions, small-scale trainable parameters that are trained specifically on the data of each task are added in the multi-head self-attention layer. In addition, a selective retraining strategy that dynamically adjusts the weights in multilayer perceptron based on the performance stability of neurons across tasks is used. Rather than training the entire model, the proposed strategies of dynamic model expansion and selective retraining reduce the overall computational load while balancing stability on previous tasks and plasticity on new tasks. Evaluation results on three public WiFi datasets demonstrate that ConSense not only outperforms several competitive approaches but also requires fewer parameters, highlighting its practical utility in class-incremental scenarios for HAR.
• Abstract（参考訳）: WiFiベースのヒューマンアクティビティ認識(HAR)は、様々な分野において大きな応用可能性を持っている。 新しいアクティビティが継続的に導入される動的な環境に対処するためには、WiFiベースのHARシステムは、以前に学習したものを忘れずに新しい概念を学習して適応する必要がある。 さらに、プライバシー上の懸念とエッジデバイスのストレージ容量の制限により、WiFiベースのHARでは、過去の活動から知識を保持することは現実的ではない。 本研究では,WiFi ベースの HAR のための,軽量かつ高速に適応可能なクラスインクリメンタルラーニングフレームワーク ConSense を提案する。 このフレームワークはトランスフォーマーアーキテクチャを活用し、動的モデル拡張と選択的なリトレーニングを伴い、新しい情報を統合しながら学習した知識を保存する。 具体的には、インクリメンタルセッションの間、各タスクのデータに特化してトレーニングされる小規模のトレーニング可能なパラメータが、マルチヘッド・セルフアテンション・レイヤに追加される。 また、タスク間でのニューロンのパフォーマンス安定性に基づいて、多層パーセプトロンの重みを動的に調整する選択的リトレーニング戦略を用いる。 モデル全体をトレーニングする代わりに、動的モデル拡張と選択的再訓練の戦略により、以前のタスクの安定性と新しいタスクの可塑性のバランスを保ちながら、全体の計算負荷を削減できる。 3つのパブリックWiFiデータセットの評価結果は、ConSenseがいくつかの競合アプローチを上回るだけでなく、パラメータも少なく、HARのクラスインクリメンタルシナリオにおける実用性を強調していることを示している。

関連論文リスト

• NetFlowGen: Leveraging Generative Pre-training for Network Traffic Dynamics [72.95483148058378]
  我々は,NetFlowレコードからのトラフィックデータのみを用いて,トラフィックダイナミクスをキャプチャする汎用機械学習モデルを事前学習することを提案する。 ネットワーク特徴表現の統一,未ラベルの大規模トラフィックデータ量からの学習,DDoS攻撃検出における下流タスクのテストといった課題に対処する。
  論文  参考訳（メタデータ） (2024-12-30T00:47:49Z)
• Continual Diffuser (CoD): Mastering Continual Offline Reinforcement Learning with Experience Rehearsal [54.93261535899478]
  強化学習のロボット制御のような現実世界の応用では、タスクが変化し、新しいタスクが順次発生する。 この状況は、タスクの変更に適応し、獲得した知識を保持するエージェントを訓練する上で、可塑性-安定トレードオフという新たな課題を生じさせる。 本研究では,連続拡散器(Continuous diffuser,CoD)と呼ばれるリハーサルに基づく連続拡散モデルを提案する。
  論文  参考訳（メタデータ） (2024-09-04T08:21:47Z)
• Beyond Prompt Learning: Continual Adapter for Efficient Rehearsal-Free Continual Learning [22.13331870720021]
  C-ADA (Continuous Adapter) という,RFCL タスクに対する超高速学習手法を提案する。 C-ADAは、CALの特定の重みを柔軟に拡張し、各タスクの新たな知識を学び、古い重みを凍結して以前の知識を保存する。 提案手法は,現状のSOTA(State-of-the-art)法よりも優れ,性能とトレーニング速度を大幅に向上させる。
  論文  参考訳（メタデータ） (2024-07-14T17:40:40Z)
• Complementary Learning Subnetworks for Parameter-Efficient Class-Incremental Learning [40.13416912075668]
  本稿では,2つの補完学習サブネットワークス間のシナジーを通じて連続的に学習するリハーサルフリーなCILアプローチを提案する。 提案手法は, 精度向上, メモリコスト, トレーニング効率, タスク順序など, 最先端手法と競合する結果が得られる。
  論文  参考訳（メタデータ） (2023-06-21T01:43:25Z)
• Contextual Squeeze-and-Excitation for Efficient Few-Shot Image Classification [57.36281142038042]
  本稿では,事前学習したニューラルネットワークを新しいタスクで調整し,性能を大幅に向上させる,Contextual Squeeze-and-Excitation (CaSE) という適応ブロックを提案する。 また、メタトレーニングされたCaSEブロックと微調整ルーチンを利用して効率よく適応する、アッパーCaSEと呼ばれるコーディネートダイスに基づく新しいトレーニングプロトコルを提案する。
  論文  参考訳（メタデータ） (2022-06-20T15:25:08Z)
• Learning to Continuously Optimize Wireless Resource in a Dynamic Environment: A Bilevel Optimization Perspective [52.497514255040514]
  この研究は、データ駆動メソッドが動的環境でリソース割り当て戦略を継続的に学び、最適化することを可能にする新しいアプローチを開発しています。 学習モデルが新たなエピソードに段階的に適応できるように、連続学習の概念を無線システム設計に組み込むことを提案する。 我々の設計は、異なるデータサンプルにまたがる公平性を保証する、新しい二段階最適化定式化に基づいている。
  論文  参考訳（メタデータ） (2021-05-03T07:23:39Z)
• Efficient Feature Transformations for Discriminative and Generative Continual Learning [98.10425163678082]
  継続的学習のための簡易タスク特化機能マップ変換戦略を提案する。 これらは新しいタスクを学習するための強力な柔軟性を提供し、ベースアーキテクチャに最小パラメータを追加することで実現される。 本手法の有効性と効率を,判別(cifar-100およびimagenet-1k)および生成的タスクの一連の実験を用いて実証する。
  論文  参考訳（メタデータ） (2021-03-25T01:48:14Z)
• Learning to Continuously Optimize Wireless Resource In Episodically Dynamic Environment [55.91291559442884]
  この研究は、データ駆動型手法が動的環境で継続的に学習し、最適化できる方法論を開発する。 本稿では,無線システム学習のモデリングプロセスに連続学習の概念を構築することを提案する。 我々の設計は、異なるデータサンプル間で「一定の公正性を保証する」新しいmin-maxの定式化に基づいている。
  論文  参考訳（メタデータ） (2020-11-16T08:24:34Z)
• Enabling Continual Learning with Differentiable Hebbian Plasticity [18.12749708143404]
  連続学習は、獲得した知識を保護しながら、新しいタスクや知識を順次学習する問題である。 破滅的な忘れ物は、そのような学習プロセスを実行するニューラルネットワークにとって、大きな課題となる。 微分可能なヘビアン塑性からなるヘビアンコンソリデーションモデルを提案する。
  論文  参考訳（メタデータ） (2020-06-30T06:42:19Z)

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。