自适应学习加速假手控制：一些每个人都应知道的事
机器学习
2017-02-28 v1
摘要
许多研究提出利用领域自适应来减少控制上肢假肢所需的训练工作，通过利用来自先前受试者的预训练模型。这些研究通常报告称，对于健全受试者，达到一定精度水平所需的训练样本数显著减少。我们进一步研究了该领域中两种流行的方法，以验证这一结果是否同样适用于截肢者。然而，我们的发现表明，这种改进在很大程度上可归因于次优的超参数配置。当超参数被适当调整后，不利用先验信息的标准方法与更复杂的迁移学习算法表现相当。此外，早期研究错误地假设训练样本数与受试者所需的工作量成比例。然而，一次动作重复才是受试者的原子单位，因此总重复次数应被用作训练工作量的可靠度量。在纠正这一错误后，我们同样未发现因使用先验模型而带来的任何性能提升。
引用
@article{arxiv.1702.08283,
title = {Adaptive Learning to Speed-Up Control of Prosthetic Hands: a Few Things Everybody Should Know},
author = {Valentina Gregori and Arjan Gijsberts and Barbara Caputo},
journal= {arXiv preprint arXiv:1702.08283},
year = {2017}
}