面向连接物体上人类活动识别的数据流分类基准测试
机器学习
2020-08-28 v1 机器学习
摘要
本文从连接设备的角度评估数据流分类器，聚焦于人类活动识别（HAR）这一用例。我们在一致性库中实现了五种常用的流分类算法，并将其应用于两个真实人类活动数据集和三个合成数据集，测量其分类性能与资源消耗（运行时间、内存和功耗）。在分类性能方面，结果表明在 6 个数据集中的 4 个（包括真实数据集）上，HT、MF 和 NB 分类器总体优于 FNN 和微簇最近邻（MCNN）分类器。此外，HT 以及在一定程度上 MCNN 是唯一能够从概念漂移中恢复的分类器。总体而言，在真实数据集上三个领先分类器的表现仍明显低于离线分类器。在资源消耗方面，HT 和 MF 内存占用最大且运行时间最长，但各分类器间未发现功耗差异。我们得出结论：面向连接物体上 HAR 的流学习受到两个因素的挑战，这可能引出有趣的未来工作：高内存消耗和整体较低的 F1 分数。
引用
@article{arxiv.2008.11880,
title = {A benchmark of data stream classification for human activity recognition on connected objects},
author = {Martin Khannouz and Tristan Glatard},
journal= {arXiv preprint arXiv:2008.11880},
year = {2020}
}
备注
8 pages, 9 figures, for a journal