論文の概要: Graph-Based Adversarial Domain Generalization with Anatomical Correlation Knowledge for Cross-User Human Activity Recognition

• arxiv url: http://arxiv.org/abs/2506.01962v1
• Date: Thu, 08 May 2025 02:19:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-08 12:40:08.627186
• Title: Graph-Based Adversarial Domain Generalization with Anatomical Correlation Knowledge for Cross-User Human Activity Recognition
• Title（参考訳）: 横断的ユーザ行動認識のための解剖学的相関知識を用いたグラフベース逆数領域一般化
• Authors: Xiaozhou Ye, Kevin I-Kai Wang,
• Abstract要約: センサベースのヒューマンアクティビティ認識システムでは,ユーザ間の多様性が大きな課題となっている。 GNN-ADG(Graph Neural Network with Adversarial Domain Generalization)を提案する。 GNN-ADGは、異なる解剖学的身体部位のセンサー間の空間的関係をモデル化する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Cross-user variability poses a significant challenge in sensor-based Human Activity Recognition (HAR) systems, as traditional models struggle to generalize across users due to differences in behavior, sensor placement, and data distribution. To address this, we propose GNN-ADG (Graph Neural Network with Adversarial Domain Generalization), a novel method that leverages both the strength from both the Graph Neural Networks (GNNs) and adversarial learning to achieve robust cross-user generalization. GNN-ADG models spatial relationships between sensors on different anatomical body parts, extracting three types of Anatomical Units: (1) Interconnected Units, capturing inter-relations between neighboring sensors; (2) Analogous Units, grouping sensors on symmetrical or functionally similar body parts; and (3) Lateral Units, connecting sensors based on their position to capture region-specific coordination. These units information are fused into an unified graph structure with a cyclic training strategy, dynamically integrating spatial, functional, and lateral correlations to facilitate a holistic, user-invariant representation. Information fusion mechanism of GNN-ADG occurs by iteratively cycling through edge topologies during training, allowing the model to refine its understanding of inter-sensor relationships across diverse perspectives. By representing the spatial configuration of sensors as an unified graph and incorporating adversarial learning, Information Fusion GNN-ADG effectively learns features that generalize well to unseen users without requiring target user data during training, making it practical for real-world applications.
• Abstract（参考訳）: センサベースのヒューマンアクティビティ認識(HAR)システムでは、振る舞いやセンサ配置、データ分散の違いによって、従来のモデルがユーザ全体の一般化に苦慮しているため、ユーザ間の多様性が大きな課題となっている。 そこで本稿では,GNN-ADG(Graph Neural Network with Adversarial Domain Generalization)を提案する。 GNN-ADGは, 異なる解剖学的身体部位上のセンサ間の空間的関係をモデル化し, 1) 近接ユニット, 近接ユニット, (2) 対称的, 機能的に類似した身体部位上のセンサをグループ化するアナログユニット, (3) 横ユニットの3種類の解剖学的単位を抽出した。 これらの単位情報は、循環的トレーニング戦略を備えた統一グラフ構造に融合され、空間的、機能的、横関係を動的に統合し、全体的、ユーザ不変な表現を容易にする。 GNN-ADGの情報融合機構は、訓練中にエッジトポロジを反復的に循環することで発生し、モデルが様々な視点でセンサー間の関係を理解することができる。 センサの空間的構成を統一グラフとして表現し、逆学習を取り入れることで、Information Fusion GNN-ADGは、トレーニング中にターゲットとなるユーザデータを必要とせずに、目に見えないユーザに対して適切に一般化する機能を効果的に学習し、現実世界のアプリケーションに実用的なものにする。

関連論文リスト

• Domain-Adversarial Anatomical Graph Networks for Cross-User Human Activity Recognition [0.0]
  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。
  論文  参考訳（メタデータ） (2025-05-08T02:30:55Z)
• GEARS: Local Geometry-aware Hand-object Interaction Synthesis [38.75942505771009]
  本研究では, 相互作用領域近傍の局所物体形状を推定するための, 結合中心型センサを提案する。 学習の複雑さを軽減するための重要なステップとして、グローバルフレームからテンプレートハンドフレームにポイントを変換し、共有モジュールを使用して各関節のセンサ特徴を処理する。 これに続いて、異なる次元の関節間の相関を捉えることを目的とした知覚時間変換ネットワークが提供される。
  論文  参考訳（メタデータ） (2024-04-02T09:18:52Z)
• Language Knowledge-Assisted Representation Learning for Skeleton-Based Action Recognition [71.35205097460124]
  人間が他人の行動を理解して認識する方法は、複雑な神経科学の問題である。 LA-GCNは、大規模言語モデル(LLM)知識アシストを用いたグラフ畳み込みネットワークを提案する。
  論文  参考訳（メタデータ） (2023-05-21T08:29:16Z)
• HAGCN : Network Decentralization Attention Based Heterogeneity-Aware Spatiotemporal Graph Convolution Network for Traffic Signal Forecasting [0.0]
  交通信号データに固有の異種特性について検討し,センサ間の隠れ関係を様々な方法で学習する。 本稿では,隣接ノードの隠れ状態を集約する分散化注目グラフ畳み込みネットワーク(HAGCN)を提案する。
  論文  参考訳（メタデータ） (2022-09-05T13:45:52Z)
• Joint-bone Fusion Graph Convolutional Network for Semi-supervised Skeleton Action Recognition [65.78703941973183]
  本稿では,CD-JBF-GCNをエンコーダとし,ポーズ予測ヘッドをデコーダとして使用する新しい相関駆動型ジョイントボーン・フュージョングラフ畳み込みネットワークを提案する。 具体的には、CD-JBF-GCは、関節ストリームと骨ストリームの間の運動伝達を探索することができる。 自己教師型トレーニング段階におけるポーズ予測に基づくオートエンコーダにより、未ラベルデータから動作表現を学習することができる。
  論文  参考訳（メタデータ） (2022-02-08T16:03:15Z)
• Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
  ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。 2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。 提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
  論文  参考訳（メタデータ） (2021-12-23T12:17:47Z)
• Emotional EEG Classification using Connectivity Features and Convolutional Neural Networks [81.74442855155843]
  CNNと脳のつながりを利用した新しい分類システムを導入し,その効果を感情映像分類により検証する。 対象映像の感情的特性に関連する脳接続の集中度は分類性能と相関する。
  論文  参考訳（メタデータ） (2021-01-18T13:28:08Z)
• 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)
• DRG: Dual Relation Graph for Human-Object Interaction Detection [65.50707710054141]
  人-物間相互作用(HOI)検出の課題に対処する。 既存の方法は、人間と物体の対の相互作用を独立に認識するか、複雑な外観に基づく共同推論を行う。 本稿では,抽象的空間意味表現を活用して,各対象対を記述し,二重関係グラフを用いてシーンの文脈情報を集約する。
  論文  参考訳（メタデータ） (2020-08-26T17:59:40Z)

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。