面向活动时间序列的对抗无监督表示学习
机器学习
2018-11-19 v1 机器学习
摘要
充足的身体活动与安稳的睡眠在许多慢性疾病的预防和治愈中起着重要作用。能够主动筛查和监测此类慢性疾病，将是整体健康领域的一大进步。可穿戴设备流行度的快速增长提供了一个重要的新数据源，使得实时追踪用户生活方式成为可能。在本文中，我们提出一种称为 activity2vec 的新型无监督表示学习技术，该技术学习并“概括”离散值活动时间序列。它通过三个组件学习表示：(i) 时间片段中活动水平的共现与幅度，(ii) 时间片段的邻域上下文，以及 (iii) 通过对抗训练促进主体不变性。我们使用线性分类器在四项疾病预测任务上评估我们的方法。实证评估表明，我们提出的方法具有可扩展性且优于许多强基线。对抗机制通过促进主体不变特征，提升了我们表示的可泛化性。我们还表明，在天的尺度上使用表示效果最佳，因为人类活动是按日常规律组织的。
引用
@article{arxiv.1811.06847,
title = {Adversarial Unsupervised Representation Learning for Activity Time-Series},
author = {Karan Aggarwal and Shafiq Joty and Luis Fernandez-Luque and Jaideep Srivastava},
journal= {arXiv preprint arXiv:1811.06847},
year = {2018}
}
备注
Accepted at AAAI'19. arXiv admin note: text overlap with arXiv:1712.09527