ActiLabel：一种用于活动识别的组合迁移学习框架
机器学习
2020-03-18 v1 机器学习
摘要
基于传感器的人体活动识别已成为从行为医学到游戏等众多新兴应用的关键组成部分。然而，物联网时代传感器设备多样性的空前增长限制了活动识别模型跨不同领域的应用。我们提出 ActiLabel，一种组合框架，可学习任意领域中的事件与另一领域事件之间的结构相似性。这些结构相似性通过一种称为依赖图（dependency graph）的图模型来刻画，该模型抽象了低级信号和特征空间中活动模式的细节。随后，通过寻找依赖图之间的最优分层映射，自主地学习活动标签。基于三个公开数据集的大量实验证明了 ActiLabel 相对于最先进的迁移学习和深度学习方法的优越性。
引用
@article{arxiv.2003.07415,
title = {ActiLabel: A Combinatorial Transfer Learning Framework for Activity Recognition},
author = {Parastoo Alinia and Iman Mirzadeh and Hassan Ghasemzadeh},
journal= {arXiv preprint arXiv:2003.07415},
year = {2020}
}