論文の概要: SOS: A Shuffle Order Strategy for Data Augmentation in Industrial Human Activity Recognition

• arxiv url: http://arxiv.org/abs/2505.10312v1
• Date: Thu, 15 May 2025 13:56:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-16 22:29:06.343221
• Title: SOS: A Shuffle Order Strategy for Data Augmentation in Industrial Human Activity Recognition
• Title（参考訳）: SOS:産業的人間活動認識におけるデータ強化のためのシャッフルオーダー戦略
• Authors: Anh Tuan Ha, Hoang Khang Phan, Thai Minh Tien Ngo, Anh Phan Truong, Nhat Tan Le,
• Abstract要約: 本研究では,深層学習アプローチによる生成データセット(注意自動符号化と条件付き生成支援ネットワーク)を提案する。 実験の結果、ランダムシーケンス戦略は分類性能を著しく改善し、精度は0.70$pm$0.03、マクロF1スコアは0.64$pm$0.01に達することが示された。 このアプローチは、効果的なトレーニングデータセットを広げるだけでなく、複雑な実世界のシナリオでHARシステムを拡張するための有望な方法も提供する。
• 参考スコア（独自算出の注目度）: 0.38447712214412116
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: In the realm of Human Activity Recognition (HAR), obtaining high quality and variance data is still a persistent challenge due to high costs and the inherent variability of real-world activities. This study introduces a generation dataset by deep learning approaches (Attention Autoencoder and conditional Generative Adversarial Networks). Another problem that data heterogeneity is a critical challenge, one of the solutions is to shuffle the data to homogenize the distribution. Experimental results demonstrate that the random sequence strategy significantly improves classification performance, achieving an accuracy of up to 0.70 $\pm$ 0.03 and a macro F1 score of 0.64 $\pm$ 0.01. For that, disrupting temporal dependencies through random sequence reordering compels the model to focus on instantaneous recognition, thereby improving robustness against activity transitions. This approach not only broadens the effective training dataset but also offers promising avenues for enhancing HAR systems in complex, real-world scenarios.
• Abstract（参考訳）: HAR(Human Activity Recognition)の領域では、高コストと現実のアクティビティの固有の変動性のために、高品質で分散したデータを取得することは依然として永続的な課題である。 本研究では、ディープラーニングアプローチによる生成データセット(Attention Autoencoderと条件付き生成支援ネットワーク)を紹介する。 データの不均一性は重要な問題であり、その解決策の1つは、データをシャッフルして分布を均質化することである。 実験の結果、ランダムシーケンス戦略は分類性能を大幅に改善し、最大0.70$\pm$ 0.03、マクロF1スコア0.64$\pm$ 0.01が達成された。 そのため、ランダムシーケンスの並べ替えによる時間的依存関係の破壊は、モデルを瞬時に認識することに集中させ、活動遷移に対する堅牢性を向上させる。 このアプローチは、効果的なトレーニングデータセットを広げるだけでなく、複雑な実世界のシナリオでHARシステムを拡張するための有望な方法も提供する。

関連論文リスト

• CHASe: Client Heterogeneity-Aware Data Selection for Effective Federated Active Learning [22.38403602956309]
  フェデレートアクティブラーニング(FAL)に特化して設計されたCHASe (Client Heterogeneity-Aware Data Selection)を提案する。 CHASeは、トレーニング中の意思決定の境界を揺らぎながら、高い疫学変化(EV)を持つラベルのないサンプルを特定することに重点を置いている。 実験により、CHASeは、さまざまなデータセット、モデル複雑度、異種フェデレーション設定にまたがって検証される、有効性と効率の観点から、確立されたさまざまなベースラインを超えることが示されている。
  論文  参考訳（メタデータ） (2025-04-24T11:28:00Z)
• Generative Active Adaptation for Drifting and Imbalanced Network Intrusion Detection [15.146203784334086]
  モデルロバスト性を高めつつラベル付けの労力を最小限に抑える生成能動適応フレームワークを提案する。 我々は、シミュレーションIDSデータと実世界のISPデータセットの両方でエンドツーエンドのフレームワークを評価した。 本フレームワークは,ラベリングコストを低減しつつ,レア攻撃検出を効果的に向上させ,実世界の侵入検知のためのスケーラブルで適応的なソリューションである。
  論文  参考訳（メタデータ） (2025-03-04T21:49:42Z)
• Privacy-Preserving Federated Unsupervised Domain Adaptation for Regression on Small-Scale and High-Dimensional Biological Data [2.699900017799093]
  fredaは、回帰タスクにおける教師なしドメイン適応のためのプライバシ保護フェデレーション方式である。 そこで本研究では,DNAメチル化データから年齢予測の課題についてフレダの評価を行い,その性能が最先端技術に匹敵することを示した。
  論文  参考訳（メタデータ） (2024-11-26T10:19:16Z)
• Augmentation-Aware Self-Supervision for Data-Efficient GAN Training [68.81471633374393]
  識別器が過度に適合する傾向があるため、限られたデータでGANを訓練することは困難である。 本稿では,拡張データの拡張パラメータを予測する,拡張型自己教師型識別器を提案する。 本稿では,クラス条件の BigGAN と非条件の StyleGAN2 アーキテクチャを用いた State-of-the-art (SOTA) 手法と比較する。
  論文  参考訳（メタデータ） (2022-05-31T10:35:55Z)
• The Imaginative Generative Adversarial Network: Automatic Data Augmentation for Dynamic Skeleton-Based Hand Gesture and Human Action Recognition [27.795763107984286]
  本稿では、入力データの分布を近似し、この分布から新しいデータをサンプリングする新しい自動データ拡張モデルを提案する。 以上の結果から,拡張戦略は訓練が高速であり,ニューラルネットワークと最先端手法の両方の分類精度を向上させることが可能であることが示唆された。
  論文  参考訳（メタデータ） (2021-05-27T11:07:09Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• Quasi-Global Momentum: Accelerating Decentralized Deep Learning on Heterogeneous Data [77.88594632644347]
  ディープラーニングモデルの分散トレーニングは、ネットワーク上でデータプライバシとデバイス上での学習を可能にする重要な要素である。 現実的な学習シナリオでは、異なるクライアントのローカルデータセットに異質性が存在することが最適化の課題となる。 本稿では,この分散学習の難しさを軽減するために,運動量に基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-02-09T11:27:14Z)

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。