切换高斯过程模型中带不确定性量化的自适应活动监测
机器学习
2019-01-09 v1 机器学习
摘要
新兴的可穿戴传感器实现了前所未有的持续监测人类活动以用于医疗目的的能力。然而，随着如此多环境传感器收集不同的测量值，重要的不仅是保持良好的监测精度，还有低功耗以确保可持续监测。这种节能传感方案可通过决定在给定时间使用哪组传感器来实现，这需要准确刻画传感器能耗与在监测时忽略某些传感器信号所带来的不确定性之间的权衡。为应对活动监测中的这一挑战，我们设计了一个自适应活动监测框架。我们首先提出一种切换高斯过程来建模从底层活动状态发出的观测传感器信号。为高效计算高斯过程模型似然并量化上下文预测不确定性，我们提出了块循环嵌入技术并使用快速傅里叶变换（FFT）进行推断。通过计算针对切换高斯过程定制的贝叶斯损失函数，开发了一种自适应监测过程，从可用传感器中选择特征，以优化传感器功耗与由状态预测熵量化的预测性能之间的权衡。我们在 UCI 智能手机人类活动识别的流行基准上展示了我们框架的有效性。
引用
@article{arxiv.1901.02427,
title = {Adaptive Activity Monitoring with Uncertainty Quantification in Switching Gaussian Process Models},
author = {Randy Ardywibowo and Guang Zhao and Zhangyang Wang and Bobak Mortazavi and Shuai Huang and Xiaoning Qian},
journal= {arXiv preprint arXiv:1901.02427},
year = {2019}
}
备注
to appear in AISTATS 2019