論文の概要: Assessing Distribution Shift in Human Activity Recognition for Domain Generalization
- arxiv url: http://arxiv.org/abs/2606.24781v1
- Date: Tue, 23 Jun 2026 16:40:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-24 22:16:49.076488
- Title: Assessing Distribution Shift in Human Activity Recognition for Domain Generalization
- Title（参考訳）: ドメイン一般化のための人間活動認識における分布変化の評価
- Authors: Rebecca Adaimi, Edison Thomaz,
- Abstract要約: 本稿では,HARモデルにおける4種類の分布変化を系統的に評価する。
多様性のシフトは、主にすべてのタイプのシフトを定義し、異なるドメイン間で共有されていないユニークな特徴の存在を示す。
本分析は,モデル一般化性の実現における現在の領域一般化アルゴリズムの限界を明らかにする。
- 参考スコア（独自算出の注目度）: 2.4249798838703556
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: While the field of Human Activity Recognition (HAR) continues to draw interest from researchers and advance in important ways, some key challenges remain. One of the most difficult aspects of building HAR models that show good performance in real-world settings is dealing with data diversity from device and sensor heterogeneity, and contextual changes that are intrinsic to real-world applications. While data diversity in HAR has been well-acknowledged in the literature, there remains a gap in understanding the effect of various types of distribution shifts on HAR models and the domain generalization problem that arises. Towards that end, this paper systematically evaluates 4 different types of distribution shifts, including variations in device type, sensor placement, sampling rate, and user behavior. Quantifying their effects, we illustrate that diversity shifts predominantly define all types of shifts, indicating the existence of unique features that are not shared across different domains. We then introduce a uniform HAR-based distribution shift benchmarks and conduct a comprehensive evaluation of up to 28 domain generalization methods. Our analysis exposes the limitations of current domain generalization algorithms in achieving model generalizability, marginally outperforming the empirical risk minimization baseline. This work represents the first systematic exploration of domain generalization and adaptation concerning specific distribution shifts in sensor-based HAR, offering an open-source benchmark platform and datasets to spur further research.
- Abstract（参考訳）: HAR(Human Activity Recognition)の分野は、研究者の関心を惹きつけ、重要な方法で進歩を続けているが、いくつかの重要な課題が残っている。
実世界の環境で優れたパフォーマンスを示すHARモデルを構築する上で最も難しい側面の1つは、デバイスとセンサーの不均一性からのデータ多様性と、実世界のアプリケーションに固有のコンテキスト変化を扱うことである。
HARにおけるデータの多様性は文献でよく認識されているが、HARモデルやドメイン一般化問題に様々な種類の分布シフトが与える影響を理解するには、依然としてギャップがある。
そこで本研究では,デバイスの種類,センサ配置,サンプリング率,ユーザ行動など,4種類の分散シフトを系統的に評価する。
それらの効果を定量化するために、多様性のシフトは、主にすべてのタイプのシフトを定義し、異なるドメイン間で共有されないユニークな特徴の存在を示す。
次に、一様HARに基づく分布シフトベンチマークを導入し、最大28の領域一般化手法の包括的な評価を行う。
我々の分析は、モデル一般化性を達成するための現在の領域一般化アルゴリズムの限界を明らかにし、経験的リスク最小化ベースラインをわずかに上回っている。
この研究は、センサベースのHARにおける特定の分布シフトに関するドメインの一般化と適応に関する最初の体系的な調査であり、さらなる研究を促進するためのオープンソースのベンチマークプラットフォームとデータセットを提供する。
関連論文リスト
- Generative Classifier for Domain Generalization [84.92088101715116]
ドメインの一般化は、分散シフトに対するコンピュータビジョンモデルの一般化性を目的としている。
生成駆動型ドメイン一般化(GCDG)を提案する。
GCDGは3つの重要なモジュールから構成される: 異種性学習(HLC)、純粋相関(SCB)、横成分バランス(DCB)。
論文 参考訳（メタデータ） (2025-04-03T04:38:33Z) - Out-of-Distribution Detection on Graphs: A Survey [58.47395497985277]
グラフアウト・オブ・ディストリビューション(GOOD)検出は、トレーニング中に見られる分布から逸脱するグラフデータを特定することに焦点を当てる。
既存の手法を,拡張ベース,再構築ベース,情報伝達ベース,分類ベースという4つのタイプに分類する。
本稿では,グラフデータによるユニークな課題を浮き彫りにして,実践的応用と理論的基礎について論じる。
論文 参考訳（メタデータ） (2025-02-12T04:07:12Z) - Exploiting Aggregation and Segregation of Representations for Domain Adaptive Human Pose Estimation [50.31351006532924]
人間のポーズ推定(HPE)は最近、モーション分析、バーチャルリアリティー、ヘルスケア等に広く応用されているため、注目を集めている。
時間と労働集約的なアノテーションのために、ラベル付き現実世界のデータセットが不足している。
本稿では,ドメイン適応型人間のポーズ推定のための表現集約と分離を両立させる新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2024-12-29T17:59:45Z) - Generalizable Sensor-Based Activity Recognition via Categorical Concept Invariant Learning [5.920971285288677]
HAR(Human Activity Recognition)は、大規模センサデータに基づくモデルトレーニングにより、活動を認識することを目的としている。
HARの重要な側面の1つは、テストセットがトレーニングセットとは異なる分布を持つ可能性があることである。
一般化可能なアクティビティ認識のためのカテゴリー概念不変学習フレームワークを提案する。
論文 参考訳（メタデータ） (2024-12-18T08:18:03Z) - Algorithmic Fairness Generalization under Covariate and Dependence Shifts Simultaneously [28.24666589680547]
公平かつ不変な分類器の学習を目的とした,単純かつ効果的な手法を提案する。
モデルを用いて様々な合成データドメインを拡張することにより、ソースドメインの公平かつ不変な分類器を学習する。
この分類器は未知の対象領域に一般化することができ、モデル予測と公平性の懸念の両方を維持できる。
論文 参考訳（メタデータ） (2023-11-23T05:52:00Z) - DIVERSIFY: A General Framework for Time Series Out-of-distribution
Detection and Generalization [58.704753031608625]
時系列は、機械学習研究における最も困難なモダリティの1つである。
時系列上でのOODの検出と一般化は、その非定常性によって悩まされる傾向がある。
時系列の動的分布のOOD検出と一般化のためのフレームワークであるDIVERSIFYを提案する。
論文 参考訳（メタデータ） (2023-08-04T12:27:11Z) - Generalizable Low-Resource Activity Recognition with Diverse and
Discriminative Representation Learning [24.36351102003414]
HAR(Human Activity Recognition)は、人間のセンサーの読み取りから動作パターンを特定することに焦点を当てた時系列分類タスクである。
一般化可能な低リソースHARのためのDDLearn(Diverse and Discriminative Expression Learning)という新しい手法を提案する。
平均精度は9.5%向上した。
論文 参考訳（メタデータ） (2023-05-25T08:24:22Z) - Modeling the Data-Generating Process is Necessary for Out-of-Distribution Generalization [23.302060306322506]
実世界のデータは、しばしば異なる属性に対して複数の分散シフトを持つ。
最先端のDGアルゴリズムは、すべてのシフトに対して一貫してうまく動作しない。
我々は、データ生成プロセスに関する知識を用いて正規化のための正しい独立制約を適応的に識別し、適用するアルゴリズムであるCausally Adaptive Constraint Minimization (CACM)を開発した。
論文 参考訳（メタデータ） (2022-06-15T22:35:06Z) - Instrumental Variable-Driven Domain Generalization with Unobserved
Confounders [53.735614014067394]
ドメイン一般化(Domain Generalization, DG)は、複数のソースドメインから、目に見えないターゲットドメインをうまく一般化できるモデルを学ぶことを目的としている。
観測不能な共同創設者のバイアスを2段階学習で除去し,インストゥルメンタル変数駆動型DG法(IV-DG)を提案する。
第1段階では、あるドメインの入力特徴の条件分布を他のドメインの入力特徴の条件分布として学習する。
第2段階では,ラベルと学習条件分布の関係を推定する。
論文 参考訳（メタデータ） (2021-10-04T13:32:57Z) - Learning Domain Invariant Representations for Generalizable Person
Re-Identification [71.35292121563491]
ReID(Generalizable person Re-Identification)は、最近のコンピュータビジョンコミュニティで注目を集めている。
DIR-ReID(Domain Invariant Representations for Generalizable Person Re-Identification)という新しい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） (2021-03-29T18:59:48Z)
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。