基于扩散噪声中心学习的对抗域自适应跨用户活动识别
机器学习
2024-09-04 v2 人工智能
人机交互
摘要
人体活动识别（HAR）在人机交互和医疗监测等各种应用中发挥着关键作用。然而，由于训练数据与真实数据之间的分布差异，HAR模型仍面临挑战，这在跨用户场景中尤为明显。本文提出了一种新颖的框架——基于扩散的噪声中心对抗学习域自适应（Diff-Noise-Adv-DA），旨在通过利用生成式扩散建模和对抗学习技术来解决这些挑战。传统的HAR模型往往难以应对用户行为的多样性和传感器数据分布的差异。Diff-Noise-Adv-DA创新性地整合了扩散模型中的固有噪声，利用其潜在信息来增强域自适应。具体而言，该框架将噪声转化为活动和域类别信息的关键载体，促进不同用户域之间的鲁棒分类。实验评估表明，Diff-Noise-Adv-DA在提升不同用户间HAR模型性能方面有效，超越了传统的域自适应方法。该框架不仅缓解了分布不匹配问题，还通过基于噪声的去噪技术提升了数据质量。
引用
@article{arxiv.2408.03353,
title = {Adversarial Domain Adaptation for Cross-user Activity Recognition Using Diffusion-based Noise-centred Learning},
author = {Xiaozhou Ye and Kevin I-Kai Wang},
journal= {arXiv preprint arXiv:2408.03353},
year = {2024}
}