論文の概要: In Shift and In Variance: Assessing the Robustness of HAR Deep Learning Models against Variability

• arxiv url: http://arxiv.org/abs/2503.11466v1
• Date: Fri, 14 Mar 2025 14:53:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-17 13:05:21.548171
• Title: In Shift and In Variance: Assessing the Robustness of HAR Deep Learning Models against Variability
• Title（参考訳）: シフトと不変性:HAR深層学習モデルの変動に対するロバスト性の評価
• Authors: Azhar Ali Khaked, Nobuyuki Oishi, Daniel Roggen, Paula Lago,
• Abstract要約: ウェアラブル慣性測定ユニット(IMU)センサーを用いたHAR(Human Activity Recognition)は、継続的な健康モニタリング、疾患予測、定期的な認識を可能にして、医療に革命をもたらすことができる。 ディープラーニング(DL)HARモデルの精度は高いが、実世界の変動に対する堅牢性はまだ証明されていない。 対象, 装置, 位置, 方向の変動を分離し, DL HARモデルへの影響を判定し, 実環境におけるそれらのモデルのロバスト性を評価する。
• 参考スコア（独自算出の注目度）: 4.330123738563178
• License:
• Abstract: Human Activity Recognition (HAR) using wearable inertial measurement unit (IMU) sensors can revolutionize healthcare by enabling continual health monitoring, disease prediction, and routine recognition. Despite the high accuracy of Deep Learning (DL) HAR models, their robustness to real-world variabilities remains untested, as they have primarily been trained and tested on limited lab-confined data. In this study, we isolate subject, device, position, and orientation variability to determine their effect on DL HAR models and assess the robustness of these models in real-world conditions. We evaluated the DL HAR models using the HARVAR and REALDISP datasets, providing a comprehensive discussion on the impact of variability on data distribution shifts and changes in model performance. Our experiments measured shifts in data distribution using Maximum Mean Discrepancy (MMD) and observed DL model performance drops due to variability. We concur that studied variabilities affect DL HAR models differently, and there is an inverse relationship between data distribution shifts and model performance. The compounding effect of variability was analyzed, and the implications of variabilities in real-world scenarios were highlighted. MMD proved an effective metric for calculating data distribution shifts and explained the drop in performance due to variabilities in HARVAR and REALDISP datasets. Combining our understanding of variability with evaluating its effects will facilitate the development of more robust DL HAR models and optimal training techniques. Allowing Future models to not only be assessed based on their maximum F1 score but also on their ability to generalize effectively
• Abstract（参考訳）: ウェアラブル慣性測定ユニット(IMU)センサーを用いたHAR(Human Activity Recognition)は、継続的な健康モニタリング、疾患予測、定期的な認識を可能にして、医療に革命をもたらすことができる。 ディープラーニング(DL) HARモデルの精度は高いが、実世界の変動に対する堅牢性はテストされていない。 本研究では, 対象, 装置, 位置, 方向の変動を分離し, DL HARモデルへの影響を判定し, 実環境におけるそれらのモデルのロバスト性を評価する。 HARVARとREALDISPのデータセットを用いたDL HARモデルの評価を行い,データの分散変化とモデル性能の変化に対する可変性の影響を包括的に検討した。 実験では,最大平均離散度(MMD)を用いてデータ分布の変化を測定し,変動によるDLモデルの性能低下を観測した。 本研究では,変動がDL HARモデルに異なる影響を与えることを確認し,データ分散シフトとモデル性能の逆関係があることを示す。 変動性の複合効果を解析し,実世界のシナリオにおける変動性の影響を強調した。 MMDはデータ分散シフトの計算に有効な指標を示し、HARVARとREALDISPデータセットの変動による性能低下を説明した。 変数の理解と効果の評価を組み合わせることで、より堅牢なDL HARモデルと最適なトレーニング技術の開発が容易になる。 将来のモデルについて、F1スコアの最大値に基づいて評価するだけでなく、効果的に一般化する能力に基づいて評価する。

関連論文リスト

• A Semi-supervised CART Model for Covariate Shift [0.0]
  本稿では,重み付けを用いた半教師付き分類・回帰木(CART)を提案する。 本手法は,トレーニングサンプルに重みを割り当てることで,CARTモデルの予測性能を向上させる。 実世界の医療データに対するシミュレーション研究と応用を通して,予測精度の大幅な向上を示す。
  論文  参考訳（メタデータ） (2024-10-28T12:53:23Z)
• Enhancing Training Data Attribution for Large Language Models with Fitting Error Consideration [74.09687562334682]
  Debias and Denoise Attribution (DDA) と呼ばれる新しいトレーニングデータ属性法を導入する。 提案手法は既存のアプローチよりも優れており,平均91.64%のAUCを実現している。 DDAは、様々なソースとLLaMA2、QWEN2、Mistralのような異なるスケールのモデルに対して、強力な汎用性とスケーラビリティを示す。
  論文  参考訳（メタデータ） (2024-10-02T07:14:26Z)
• DLFormer: Enhancing Explainability in Multivariate Time Series Forecasting using Distributed Lag Embedding [4.995397953581609]
  本研究では,分散ラグ埋め込みと統合されたアテンションベースのアーキテクチャであるDLFormerを紹介する。 既存の注目ベースのハイパフォーマンスモデルと比較して、優れたパフォーマンス向上を示す。
  論文  参考訳（メタデータ） (2024-08-29T20:39:54Z)
• Explanatory Model Monitoring to Understand the Effects of Feature Shifts on Performance [61.06245197347139]
  そこで本研究では,機能シフトによるブラックボックスモデルの振る舞いを説明する新しい手法を提案する。 本稿では,最適輸送と共有値の概念を組み合わせた提案手法について,説明的性能推定として紹介する。
  論文  参考訳（メタデータ） (2024-08-24T18:28:19Z)
• MPRE: Multi-perspective Patient Representation Extractor for Disease Prediction [3.914545513460964]
  疾患予測のための多視点患者表現エクストラクタ(MPRE)を提案する。 具体的には、動的特徴の傾向と変動情報を抽出する周波数変換モジュール(FTM)を提案する。 2D Multi-Extraction Network (2D MEN) において、傾向と変動に基づいて2次元時間テンソルを形成する。 また,FODAM(First-Order difference Attention Mechanism)も提案する。
  論文  参考訳（メタデータ） (2024-01-01T13:52:05Z)
• Causal Dynamic Variational Autoencoder for Counterfactual Regression in Longitudinal Data [3.662229789022107]
  時間とともに治療効果を推定することは、精密医療、疫学、経済、マーケティングなど多くの現実世界の応用において重要である。 我々は、観測されていないリスク要因、すなわち、結果の順序だけに影響を与える調整変数を仮定することで、異なる視点を取る。 我々は、時間変化効果と未観測の調整変数によって生じる課題に対処する。
  論文  参考訳（メタデータ） (2023-10-16T16:32:35Z)
• MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
  本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。 トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。 ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
  論文  参考訳（メタデータ） (2023-10-04T01:36:30Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• Differentiable Agent-based Epidemiology [71.81552021144589]
  GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。 GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
  論文  参考訳（メタデータ） (2022-07-20T07:32:02Z)
• How robust are pre-trained models to distribution shift? [82.08946007821184]
  自己教師付き学習(SSL)と自己エンコーダベースモデル(AE)の相互関係が相互関係に与える影響を示す。 本研究では, 線形ヘッドの潜在バイアスから事前学習したモデルの性能を分離するために, アウト・オブ・ディストリビューション(OOD)データに基づいて訓練された線形ヘッドを用いた新しい評価手法を開発した。
  論文  参考訳（メタデータ） (2022-06-17T16:18:28Z)
• BEDS-Bench: Behavior of EHR-models under Distributional Shift--A Benchmark [21.040754460129854]
  OOD設定下でのEHRデータ上でのMLモデルの振る舞いを定量化するベンチマークであるBEDS-Benchをリリースする。 BEDS-Bench の学習アルゴリズムを複数評価した結果,一般に分布シフト下での一般化性能の低下が判明した。
  論文  参考訳（メタデータ） (2021-07-17T05:53:24Z)

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。