論文の概要: Subject Invariant Contrastive Learning for Human Activity Recognition

• arxiv url: http://arxiv.org/abs/2507.03250v1
• Date: Fri, 04 Jul 2025 01:55:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:34.635051
• Title: Subject Invariant Contrastive Learning for Human Activity Recognition
• Title（参考訳）: 人間活動認識のための主題不変コントラスト学習
• Authors: Yavuz Yarici, Kiran Kokilepersaud, Mohit Prabhushankar, Ghassan AlRegib,
• Abstract要約: 本研究では,人間の活動認識における一般化を改善するために,SICL(Subject-Invariant Contrastive Learning)を導入する。 SICLは、同じ被験者から引き出された負のペアを再重み付けし、被験者固有の手がかりを抑え、活動固有の情報を強調する。 SICLは従来のコントラスト学習法よりも最大11%向上することを示す。
• 参考スコア（独自算出の注目度）: 14.10876324116018
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The high cost of annotating data makes self-supervised approaches, such as contrastive learning methods, appealing for Human Activity Recognition (HAR). Effective contrastive learning relies on selecting informative positive and negative samples. However, HAR sensor signals are subject to significant domain shifts caused by subject variability. These domain shifts hinder model generalization to unseen subjects by embedding subject-specific variations rather than activity-specific features. As a result, human activity recognition models trained with contrastive learning often struggle to generalize to new subjects. We introduce Subject-Invariant Contrastive Learning (SICL), a simple yet effective loss function to improve generalization in human activity recognition. SICL re-weights negative pairs drawn from the same subject to suppress subject-specific cues and emphasize activity-specific information. We evaluate our loss function on three public benchmarks: UTD-MHAD, MMAct, and DARai. We show that SICL improves performance by up to 11% over traditional contrastive learning methods. Additionally, we demonstrate the adaptability of our loss function across various settings, including multiple self-supervised methods, multimodal scenarios, and supervised learning frameworks.
• Abstract（参考訳）: 注釈付きデータの高コストは、対照的な学習方法、HAR(Human Activity Recognition)へのアピールなど、自己指導的なアプローチを生み出します。 効果的な対照的な学習は、情報的正と負のサンプルを選択することに依存する。 しかし、HARセンサ信号は、被写体変動に起因する大きな領域シフトを受ける。 これらのドメインシフトは、アクティビティ固有の特徴ではなく、主題固有のバリエーションを埋め込むことによって、モデル一般化を未確認の被験者に妨げる。 その結果、対照的な学習で訓練された人間の活動認識モデルは、しばしば新しい主題に一般化するのに苦労する。 本研究では,人間の活動認識における一般化を改善するために,簡易かつ効果的な損失関数であるSICLを導入する。 SICLは、同じ被験者から引き出された負のペアを再重み付けし、被験者固有の手がかりを抑え、活動固有の情報を強調する。 我々は、UTD-MHAD、MMAct、DARaiの3つの公開ベンチマークで損失関数を評価した。 SICLは従来のコントラスト学習法よりも最大11%向上することを示す。 さらに、複数の自己教師付きメソッド、マルチモーダルシナリオ、教師付き学習フレームワークを含む、さまざまな設定における損失関数の適応性を示す。

関連論文リスト

• Dissecting Representation Misalignment in Contrastive Learning via Influence Function [15.28417468377201]
  コントラスト損失に対する拡張影響関数 (ECIF) を導入し, コントラスト損失に対する影響関数について検討した。 ECIFは正と負の両方のサンプルを考慮し、対照的な学習モデルの閉形式近似を提供する。 我々はECIFに基づいて,データ評価,誤修正検出,誤予測トレースバックタスクのための一連のアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2024-11-18T15:45:41Z)
• Learning the Unlearned: Mitigating Feature Suppression in Contrastive Learning [45.25602203155762]
  自己監督型コントラスト学習は、ラベルのないデータから高品質な表現を導き出すのに有効であることが証明されている。 単目的学習とマルチモーダル学習の両方を妨げる大きな課題は、特徴抑制である。 本稿では,新しいモデルに依存しないマルチステージコントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-19T04:13:33Z)
• Compositional Learning in Transformer-Based Human-Object Interaction Detection [6.630793383852106]
  ラベル付きインスタンスの長期分布は、HOI検出の主要な課題である。 HOI三重奏の性質にインスパイアされた既存のアプローチでは、作曲学習という概念が採用されている。 我々は,構成HoI学習のためのトランスフォーマーベースのフレームワークを創造的に提案する。
  論文  参考訳（メタデータ） (2023-08-11T06:41:20Z)
• A Matter of Annotation: An Empirical Study on In Situ and Self-Recall Activity Annotations from Wearable Sensors [56.554277096170246]
  In-the-wildデータ収集に焦点をあてたユーザスタディにおいて,一般的な4つのアノテーション手法の評価と対比を行う実験的検討を行った。 実際の記録プロセス中に参加者がアノテートするユーザ主導のin situアノテーションと、各日の終わりに参加者が振り返ってアノテートするリコールメソッドの両方に対して、参加者は自身のアクティビティクラスと対応するラベルを選択できる柔軟性を持っていた。
  論文  参考訳（メタデータ） (2023-05-15T16:02:56Z)
• TASKED: Transformer-based Adversarial learning for human activity recognition using wearable sensors via Self-KnowledgE Distillation [6.458496335718508]
  本稿では,TASKED(Self-KnowledgE Distillation)を用いたウェアラブルセンサを用いた,トランスフォーマーに基づく人間行動認識のための新しい逆学習フレームワークを提案する。 提案手法では,教師なしの自己知識蒸留を採用し,訓練手順の安定性と人間の活動認識性能を向上させる。
  論文  参考訳（メタデータ） (2022-09-14T11:08:48Z)
• Masked Contrastive Learning for Anomaly Detection [10.499890749386676]
  マスク型コントラスト学習という,タスク固有のコントラスト学習のバリエーションを提案する。 また,自己アンサンブル推論と呼ばれる新しい推論手法を提案する。
  論文  参考訳（メタデータ） (2021-05-18T19:27:02Z)
• Spatial Contrastive Learning for Few-Shot Classification [9.66840768820136]
  局所的識別性およびクラス非依存性の特徴を学習するための新しい注意に基づく空間コントラスト目標を提案する。 実験により,提案手法は最先端手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2020-12-26T23:39:41Z)
• Fully Unsupervised Person Re-identification viaSelective Contrastive Learning [58.5284246878277]
  人物再識別(ReID)は、様々なカメラが捉えた画像の中から同一人物を検索することを目的としている。 教師なし特徴学習のための新しい選択型コントラスト学習フレームワークを提案する。 その結果,教師なしのReIDにおける手法の優位性について,最先端技術と比較した。
  論文  参考訳（メタデータ） (2020-10-15T09:09:23Z)
• Task-Feature Collaborative Learning with Application to Personalized Attribute Prediction [166.87111665908333]
  本稿では,TFCL(Task-Feature Collaborative Learning)と呼ばれる新しいマルチタスク学習手法を提案する。 具体的には、まず、特徴とタスクの協調的なグループ化を活用するために、不均一なブロック対角構造正規化器を用いたベースモデルを提案する。 実際の拡張として,重なり合う機能と難易度を区別することで,基本モデルを拡張します。
  論文  参考訳（メタデータ） (2020-04-29T02:32:04Z)

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。