論文の概要: Auto-Augmentation Contrastive Learning for Wearable-based Human Activity Recognition

• arxiv url: http://arxiv.org/abs/2602.02542v1
• Date: Fri, 30 Jan 2026 03:22:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-04 18:37:14.916879
• Title: Auto-Augmentation Contrastive Learning for Wearable-based Human Activity Recognition
• Title（参考訳）: ウェアラブル型ヒューマンアクティビティ認識のための自己拡張コントラスト学習
• Authors: Qingyu Wu, Jianfei Shen, Feiyi Fan, Yang Gu, Chenyang Xu, Yiqiang Chen,
• Abstract要約: 本稿では,ウェアラブルに基づくヒューマンアクティビティ認識(HAR)のための,エンドツーエンドの自動拡張コントラスト学習(AutoCL)手法を提案する。 AutoCLは、バックボーンのパラメータを共有し、自動拡張を学ぶためにジェネレータを組み込んだ、Siameseネットワークアーキテクチャに基づいている。 4つの広帯域HARデータセットに基づく実験により,提案手法は認識精度を大幅に向上することが示された。
• 参考スコア（独自算出の注目度）: 12.06086096999916
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: For low-semantic sensor signals from human activity recognition (HAR), contrastive learning (CL) is essential to implement novel applications or generic models without manual annotation, which is a high-performance self-supervised learning (SSL) method. However, CL relies heavily on data augmentation for pairwise comparisons. Especially for low semantic data in the HAR area, conducting good performance augmentation strategies in pretext tasks still rely on manual attempts lacking generalizability and flexibility. To reduce the augmentation burden, we propose an end-to-end auto-augmentation contrastive learning (AutoCL) method for wearable-based HAR. AutoCL is based on a Siamese network architecture that shares the parameters of the backbone and with a generator embedded to learn auto-augmentation. AutoCL trains the generator based on the representation in the latent space to overcome the disturbances caused by noise and redundant information in raw sensor data. The architecture empirical study indicates the effectiveness of this design. Furthermore, we propose a stop-gradient design and correlation reduction strategy in AutoCL to enhance encoder representation learning. Extensive experiments based on four wide-used HAR datasets demonstrate that the proposed AutoCL method significantly improves recognition accuracy compared with other SOTA methods.
• Abstract（参考訳）: ヒューマンアクティビティ認識(HAR)からの低セマンティックなセンサ信号には,手動アノテーションを使わずに新しいアプリケーションや汎用モデルを実装するために,コントラスト学習(CL)が不可欠である。 しかし、CLはペア比較においてデータ拡張に大きく依存している。 特に、HAR領域における低セマンティックデータでは、プレテキストタスクにおける優れたパフォーマンス向上戦略は、依然として、一般化性と柔軟性に欠ける手動の試みに依存している。 本研究では,ウェアラブル型HARのための自動拡張コントラスト学習(AutoCL)手法を提案する。 AutoCLは、バックボーンのパラメータを共有し、自動拡張を学ぶためにジェネレータを組み込んだ、Siameseネットワークアーキテクチャに基づいている。 AutoCLは、潜伏空間における表現に基づいてジェネレータを訓練し、生センサデータのノイズや冗長な情報による障害を克服する。 建築実証研究は、この設計の有効性を示している。 さらに、エンコーダ表現学習を強化するために、AutoCLにおける停止段階の設計と相関低減戦略を提案する。 4つの広帯域HARデータセットに基づく大規模な実験により,提案手法は他のSOTA法と比較して認識精度を大幅に向上することを示した。

関連論文リスト

• Improving Deepfake Detection with Reinforcement Learning-Based Adaptive Data Augmentation [60.04281435591454]
  CRDA(Curriculum Reinforcement-Learning Data Augmentation)は、マルチドメインの偽造機能を段階的にマスターするための検出器を導く新しいフレームワークである。 私たちのアプローチの中心は、強化学習と因果推論を統合することです。 提案手法は検出器の一般化性を大幅に向上し,複数のクロスドメインデータセット間でSOTA法より優れている。
  論文  参考訳（メタデータ） (2025-11-10T12:45:52Z)
• Efficient Online Continual Learning in Sensor-Based Human Activity Recognition [8.720698253117837]
  PTRN-HARは、限られた量のデータで対照的な損失を用いて特徴抽出器を事前訓練する。 本稿では,PTRN-HARについて紹介する。
  論文  参考訳（メタデータ） (2025-11-04T08:48:36Z)
• Efficient Machine Unlearning via Influence Approximation [75.31015485113993]
  インフルエンサーベースのアンラーニングは、個別のトレーニングサンプルがモデルパラメータに与える影響を再トレーニングせずに推定する顕著なアプローチとして現れてきた。 本稿では,暗記(増分学習)と忘れ(未学習)の理論的関連性を確立する。 本稿では、インフルエンス近似アンラーニングアルゴリズムを導入し、インクリメンタルな視点から効率的なマシンアンラーニングを行う。
  論文  参考訳（メタデータ） (2025-07-31T05:34:27Z)
• Implicit Counterfactual Data Augmentation for Robust Learning [24.795542869249154]
  本研究では, 突発的相関を除去し, 安定した予測を行うために, インプリシト・カウンセショナル・データ拡張法を提案する。 画像とテキストのデータセットをカバーする様々なバイアス付き学習シナリオで実験が行われてきた。
  論文  参考訳（メタデータ） (2023-04-26T10:36:40Z)
• Mitigating Forgetting in Online Continual Learning via Contrasting Semantically Distinct Augmentations [22.289830907729705]
  オンライン連続学習(OCL)は、非定常データストリームからモデル学習を可能とし、新たな知識を継続的に獲得し、学習した知識を維持することを目的としている。 主な課題は、"破滅的な忘れる"問題、すなわち、新しい知識を学習しながら学習した知識を十分に記憶できないことにある。
  論文  参考訳（メタデータ） (2022-11-10T05:29:43Z)
• CCLF: A Contrastive-Curiosity-Driven Learning Framework for Sample-Efficient Reinforcement Learning [56.20123080771364]
  我々は、強化学習のためのモデルに依存しないコントラスト駆動学習フレームワーク(CCLF)を開発した。 CCLFは、サンプルの重要性を完全に活用し、自己管理的な学習効率を向上させる。 このアプローチをDeepMind Control Suite、Atari、MiniGridベンチマークで評価する。
  論文  参考訳（メタデータ） (2022-05-02T14:42:05Z)
• Improved Speech Emotion Recognition using Transfer Learning and Spectrogram Augmentation [56.264157127549446]
  音声感情認識(SER)は、人間とコンピュータの相互作用において重要な役割を果たす課題である。 SERの主な課題の1つは、データの不足である。 本稿では,スペクトログラム拡張と併用した移動学習戦略を提案する。
  論文  参考訳（メタデータ） (2021-08-05T10:39:39Z)

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。