論文の概要: Effect of Activation Function and Model Optimizer on the Performance of Human Activity Recognition System Using Various Deep Learning Models

• arxiv url: http://arxiv.org/abs/2512.20104v1
• Date: Tue, 23 Dec 2025 07:01:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-24 19:17:49.777344
• Title: Effect of Activation Function and Model Optimizer on the Performance of Human Activity Recognition System Using Various Deep Learning Models
• Title（参考訳）: 各種深層学習モデルを用いた人間行動認識システムの性能に及ぼす活性化関数とモデル最適化器の影響
• Authors: Subrata Kumer Paula, Dewan Nafiul Islam Noora, Rakhi Rani Paula, Md. Ekramul Hamidb, Fahmid Al Faridc, Hezerul Abdul Karimd, Md. Maruf Al Hossain Princee, Abu Saleh Musa Miahb,
• Abstract要約: 本研究では,ReLU,Sigmoid,Tanhの3つのアクティベーション関数と4つの最適化アルゴリズムの併用効果について検討する。 HMDB51およびUCF101データセットから選択された6つの医療関連活動クラスで実験を行った。 その結果、ConvLSTMは両方のデータセットで一貫してBiLSTMを上回っていることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Human Activity Recognition (HAR) plays a vital role in healthcare, surveillance, and innovative environments, where reliable action recognition supports timely decision-making and automation. Although deep learning-based HAR systems are widely adopted, the impact of Activation Functions (AFs) and Model Optimizers (MOs) on performance has not been sufficiently analyzed, particularly regarding how their combinations influence model behavior in practical scenarios. Most existing studies focus on architecture design, while the interaction between AF and MO choices remains relatively unexplored. In this work, we investigate the effect of three commonly used activation functions (ReLU, Sigmoid, and Tanh) combined with four optimization algorithms (SGD, Adam, RMSprop, and Adagrad) using two recurrent deep learning architectures, namely BiLSTM and ConvLSTM. Experiments are conducted on six medically relevant activity classes selected from the HMDB51 and UCF101 datasets, considering their suitability for healthcare-oriented HAR applications. Our experimental results show that ConvLSTM consistently outperforms BiLSTM across both datasets. ConvLSTM, combined with Adam or RMSprop, achieves an accuracy of up to 99.00%, demonstrating strong spatio-temporal learning capabilities and stable performance. While BiLSTM performs reasonably well on UCF101, with accuracy approaching 98.00%, its performance drops to approximately 60.00% on HMDB51, indicating limited robustness across datasets and weaker sensitivity to AF and MO variations. This study provides practical insights for optimizing HAR systems, particularly for real-world healthcare environments where fast and precise activity detection is critical.
• Abstract（参考訳）: HAR(Human Activity Recognition)は、医療、監視、革新的な環境において重要な役割を果たす。 ディープラーニングに基づくHARシステムは広く採用されているが、アクティベーション関数(AF)とモデルオプティマイザ(MO)がパフォーマンスに与える影響は十分に分析されていない。 既存の研究はアーキテクチャ設計に重点を置いているが、AFとMOの選択の相互作用はいまだに解明されていない。 本研究では,3つのアクティベーション関数(ReLU,Sigmoid,Tanh)と4つの最適化アルゴリズム(SGD,Adam,RMSprop,Adagrad)を組み合わせて,BiLSTMとConvLSTMの2つの繰り返しディープラーニングアーキテクチャを用いて検討する。 HMDB51およびUCF101データセットから選択された6つの医療関連アクティビティクラスに対して、医療指向のHARアプリケーションに適合性を考慮して実験を行った。 実験の結果, ConvLSTM は両データセットで常に BiLSTM を上回っていることがわかった。 ConvLSTMはAdamまたはRMSpropと組み合わせて99.00%の精度を実現し、時空間学習能力と安定した性能を示す。 BiLSTMはUCF101では適度に性能が良く、精度は98.00%に近づくが、HMDB51では60.00%に低下し、データセット間のロバスト性が制限され、AFやMOに対する感度が低下した。 本研究は,高速かつ高精度な活動検出が重要である現実の医療環境において,HARシステムを最適化するための実践的な洞察を提供する。

関連論文リスト

• Studying Various Activation Functions and Non-IID Data for Machine Learning Model Robustness [3.641683644638084]
  本研究では,10種類のアクティベーション関数を用いた機械学習モデル(ML)のロバスト性を検討した。 提案手法は,77.08%,67.96%の自然的かつ堅牢な精度を実現する。 しかし, 連合学習環境においては, 特に非IIDデータにおいて, 頑健な精度が著しく低下する。
  論文  参考訳（メタデータ） (2025-12-03T21:03:45Z)
• FAIM: Frequency-Aware Interactive Mamba for Time Series Classification [87.84511960413715]
  時系列分類(TSC)は、環境モニタリング、診断、姿勢認識など、多くの実世界の応用において重要である。 本稿では,周波数対応対話型マンバモデルであるFAIMを提案する。 FAIMは既存の最先端(SOTA)手法を一貫して上回り、精度と効率のトレードオフが優れていることを示す。
  論文  参考訳（メタデータ） (2025-11-26T08:36:33Z)
• DeepACTIF: Efficient Feature Attribution via Activation Traces in Neural Sequence Models [0.0]
  特徴属性は、医療、バイオメトリックス、人間とAIの相互作用といった時系列領域におけるディープラーニングモデルの解釈に不可欠である。 統合グラディエントやSHAPのような標準属性法は計算集約的であり、リアルタイムアプリケーションには適していない。 提案するDeepACTIFは,シークエンスモデルの内部アクティベーションを利用して,特徴の重要度を効率的に推定する,軽量かつアーキテクチャ対応な特徴属性手法である。
  論文  参考訳（メタデータ） (2025-09-18T15:47:05Z)
• Toward Improving fNIRS Classification: A Study on Activation Functions in Deep Neural Architectures [7.243563999211656]
  機能的近赤外分光法(fNIRS)のような領域における深部ニューラルネットワークの性能には活性化関数が不可欠である 本研究では,複数のディープラーニングアーキテクチャを用いて,fNIRS分類タスクに対する従来型およびフィールド固有のアクティベーション機能の評価を行った。
  論文  参考訳（メタデータ） (2025-07-15T15:58:36Z)
• Evaluating BiLSTM and CNN+GRU Approaches for Human Activity Recognition Using WiFi CSI Data [0.0]
  CNN+GRUモデルは、空間的特徴を抽出できるため、UT-HARデータセット(95.20%)の精度が高い。 BiLSTMモデルは、長期の時間的依存関係を抽出することにより、高解像度のNTU-Fi HARデータセット(92.05%)でより良い性能を発揮する。 医療やインテリジェントホームシステムといったアプリケーションにおける,そのようなモデルの現実的な適用性を示す。
  論文  参考訳（メタデータ） (2025-06-11T22:10:34Z)
• Active Learning for Derivative-Based Global Sensitivity Analysis with Gaussian Processes [70.66864668709677]
  高価なブラックボックス関数のグローバル感度解析におけるアクティブラーニングの問題点を考察する。 関数評価は高価であるため,最も価値の高い実験資源の優先順位付けにアクティブラーニングを利用する。 本稿では,デリバティブに基づくグローバル感度測定の重要量を直接対象とする,新たな能動的学習獲得関数を提案する。
  論文  参考訳（メタデータ） (2024-07-13T01:41:12Z)
• APALU: A Trainable, Adaptive Activation Function for Deep Learning Networks [0.7919810878571297]
  APALU(Adaptive piecewise approximated activation linear unit)を新たに導入する。 実験では、様々なタスクに広く使用されるアクティベーション関数よりも大幅に改善されている。 APALUは、限られたデータセットで手話認識タスクにおいて100%精度を達成する。
  論文  参考訳（メタデータ） (2024-02-13T06:18:42Z)
• Physics Inspired Hybrid Attention for SAR Target Recognition [61.01086031364307]
  本稿では,物理にヒントを得たハイブリットアテンション(PIHA)機構と,この問題に対処するためのOFA評価プロトコルを提案する。 PIHAは、物理的情報の高レベルなセマンティクスを活用して、ターゲットの局所的なセマンティクスを認識した特徴群を活性化し、誘導する。 提案手法は,ASCパラメータが同じ12のテストシナリオにおいて,他の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2023-09-27T14:39:41Z)
• Learning Objective-Specific Active Learning Strategies with Attentive Neural Processes [72.75421975804132]
  学び アクティブラーニング(LAL)は、アクティブラーニング戦略自体を学ぶことを提案し、与えられた設定に適応できるようにする。 能動学習問題の対称性と独立性を利用した新しい分類法を提案する。 私たちのアプローチは、筋電図から学ぶことに基づいており、モデルに標準ではない目的に適応する能力を与えます。
  論文  参考訳（メタデータ） (2023-09-11T14:16:37Z)
• Shared Space Transfer Learning for analyzing multi-site fMRI data [83.41324371491774]
  マルチボクセルパターン解析(MVPA)は、タスクベース機能磁気共鳴画像(fMRI)データから予測モデルを学習する。 MVPAはよく設計された機能セットと十分なサンプルサイズで機能する。 ほとんどのfMRIデータセットはノイズが多く、高次元で、収集するのに高価で、サンプルサイズも小さい。 本稿では,新しい伝達学習手法として共有空間移動学習(SSTL)を提案する。
  論文  参考訳（メタデータ） (2020-10-24T08:50:26Z)

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。