論文の概要: Domain-Adversarial Anatomical Graph Networks for Cross-User Human Activity Recognition

• arxiv url: http://arxiv.org/abs/2505.06301v1
• Date: Thu, 08 May 2025 02:30:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-13 20:21:48.764432
• Title: Domain-Adversarial Anatomical Graph Networks for Cross-User Human Activity Recognition
• Title（参考訳）: クロスユーザ・ヒューマン・アクティビティ認識のためのドメイン反転型解剖学的グラフネットワーク
• Authors: Xiaozhou Ye, Kevin I-Kai Wang,
• Abstract要約: 人間活動認識(HAR)におけるユーザ間の多様性は、センサー配置、身体動態、行動パターンの違いにより、依然として重要な課題である。 本稿では、解剖学的相関知識を統一的なグラフニューラルネットワークアーキテクチャに統合するエッジ強化グラフベース逆数領域一般化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）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Cross-user variability in Human Activity Recognition (HAR) remains a critical challenge due to differences in sensor placement, body dynamics, and behavioral patterns. Traditional methods often fail to capture biomechanical invariants that persist across users, limiting their generalization capability. We propose an Edge-Enhanced Graph-Based Adversarial Domain Generalization (EEG-ADG) framework that integrates anatomical correlation knowledge into a unified graph neural network (GNN) architecture. By modeling three biomechanically motivated relationships together-Interconnected Units, Analogous Units, and Lateral Units-our method encodes domain-invariant features while addressing user-specific variability through Variational Edge Feature Extractor. A Gradient Reversal Layer (GRL) enforces adversarial domain generalization, ensuring robustness to unseen users. Extensive experiments on OPPORTUNITY and DSADS datasets demonstrate state-of-the-art performance. Our work bridges biomechanical principles with graph-based adversarial learning by integrating information fusion techniques. This fusion of information underpins our unified and generalized model for cross-user HAR.
• Abstract（参考訳）: 人間活動認識(HAR)におけるユーザ間の多様性は、センサー配置、身体動態、行動パターンの違いにより、依然として重要な課題である。 従来の手法では、ユーザ間で持続する生体力学的不変量を捕捉できず、一般化能力が制限されることが多い。 我々は、解剖学的相関知識を統一グラフニューラルネットワーク(GNN)アーキテクチャに統合するエッジ強化グラフベース逆数領域一般化(EEG-ADG)フレームワークを提案する。 バイオメカニカルに動機付けられた3つの関係を相互接続ユニット、アナログユニット、および横ユニット-ourメソッドでモデル化することにより、変分エッジ特徴エクストラクタによるユーザ固有の変動に対処しながら、ドメイン不変の機能をエンコードする。 グラディエント・リバーサル・レイヤ(GRL)は、敵ドメインの一般化を強制し、目に見えないユーザに対して堅牢性を確保する。 OPPORTUNITYとDSADSデータセットに関する大規模な実験は、最先端のパフォーマンスを示している。 我々の研究は、情報融合技術を統合することにより、グラフに基づく逆学習によって生体力学の原理を橋渡しする。 この情報の融合は、ユーザ間HARの統一および一般化モデルを支える。

関連論文リスト

• MLDGG: Meta-Learning for Domain Generalization on Graphs [9.872254367103057]
  グラフ上のドメインの一般化は、堅牢な一般化機能を持つモデルを開発することを目的としている。 我々のフレームワークであるMDDGGは、多分野間メタラーニングを統合することで、多分野にわたる適応可能な一般化を実現する。 実験の結果,MDDGGはベースライン法を超越し,3種類の分散シフト設定で有効性を示した。
  論文  参考訳（メタデータ） (2024-11-19T22:57:38Z)
• Personalized Binomial DAGs Learning with Network Structured Covariates [28.702388515396866]
  因果発見は、観測データを用いて方向付非巡回図形構造を復元することを目的としている。 実際のWeb訪問データに動機付けられ、複数のWebサイトへの個々のユーザ訪問を記録します。
  論文  参考訳（メタデータ） (2024-06-10T22:33:24Z)
• Learning Divergence Fields for Shift-Robust Graph Representations [73.11818515795761]
  本研究では,相互依存データに対する問題に対して,学習可能な分散場を持つ幾何学的拡散モデルを提案する。 因果推論によって新たな学習目標が導出され、ドメイン間で無神経な相互依存の一般化可能なパターンを学習するためのモデルが導出される。
  論文  参考訳（メタデータ） (2024-06-07T14:29:21Z)
• RAGFormer: Learning Semantic Attributes and Topological Structure for Fraud Detection [8.050935113945428]
  本稿では,transFormer(RAGFormer)を用いたRelation-Aware GNNという新しいフレームワークを提案する。 RAGFormerはセマンティック機能とトポロジ機能の両方をターゲットノードに埋め込む。 単純なネットワークはセマンティックエンコーダ、トポロジーエンコーダ、アテンション融合モジュールで構成される。
  論文  参考訳（メタデータ） (2024-02-27T12:53:15Z)
• Graph Convolutional Network with Connectivity Uncertainty for EEG-based Emotion Recognition [20.655367200006076]
  本研究では,脳波信号の空間依存性と時間スペクトルの相対性を表す分布に基づく不確実性手法を提案する。 グラフ混合手法は、遅延接続エッジを強化し、ノイズラベル問題を緩和するために用いられる。 感情認識タスクにおいて、SEEDとSEEDIVという2つの広く使われているデータセットに対するアプローチを評価した。
  論文  参考訳（メタデータ） (2023-10-22T03:47:11Z)
• Genetic InfoMax: Exploring Mutual Information Maximization in High-Dimensional Imaging Genetics Studies [50.11449968854487]
  遺伝子ワイド・アソシエーション(GWAS)は、遺伝的変異と特定の形質の関係を同定するために用いられる。 画像遺伝学の表現学習は、GWASによって引き起こされる固有の課題により、ほとんど探索されていない。 本稿では,GWAS の具体的な課題に対処するために,トランスモーダル学習フレームワーク Genetic InfoMax (GIM) を提案する。
  論文  参考訳（メタデータ） (2023-09-26T03:59:21Z)
• 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)
• 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)
• Semantics-aware Adaptive Knowledge Distillation for Sensor-to-Vision Action Recognition [131.6328804788164]
  本稿では,視覚・センサ・モダリティ(動画)における行動認識を強化するためのフレームワーク,Semantics-Aware Adaptive Knowledge Distillation Networks (SAKDN)を提案する。 SAKDNは複数のウェアラブルセンサーを教師のモダリティとして使用し、RGB動画を学生のモダリティとして使用している。
  論文  参考訳（メタデータ） (2020-09-01T03:38:31Z)
• Graph Representation Learning via Graphical Mutual Information Maximization [86.32278001019854]
  本稿では,入力グラフとハイレベルな隠蔽表現との相関を測る新しい概念であるGMIを提案する。 我々は,グラフニューラルエンコーダの入力と出力の間でGMIを最大化することで訓練された教師なし学習モデルを開発する。
  論文  参考訳（メタデータ） (2020-02-04T08:33:49Z)

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。