面向可穿戴设备的人类活动识别的自监督增强对比学习
机器学习
2026-02-04 v1 人工智能
信号处理
摘要
对于来自人类活动识别（HAR）的低语义传感器信号，对比学习（CL）对于实现 novel 应用或通用模型而无需手动标注至关重要，这是一种高性能自监督学习（SSL）方法。然而，CL 严重依赖数据增强用于成对比较。尤其是对于 HAR 领域的低语义数据，conducting 好的性能增强策略仍依赖于 manual attempts，缺乏通用性和灵活性。为减少增强负担，我们提出了一种用于可穿戴设备的人类活动识别的 end-to-end 自增强对比学习（AutoCL）方法。AutoCL 基于 Siamese 网络架构，该架构共享 backbone 的参数，并嵌入一个 generator 来学习 auto-augmentation。AutoCL 根据 latent space 中的表示训练 generator，以克服 raw sensor data 中由噪声和冗余信息引起的干扰。该架构的 empirical 研究表明，该设计有效。此外，我们提出了一种 stop-gradient 设计和 correlation reduction 策略用于增强 encoder 表示学习。基于四个 widely-used HAR 数据集的广泛实验表明，所提出的 AutoCL 方法显著优于其他 SOTA 方法。
引用
@article{arxiv.2602.02542,
title = {Auto-Augmentation Contrastive Learning for Wearable-based Human Activity Recognition},
author = {Qingyu Wu and Jianfei Shen and Feiyi Fan and Yang Gu and Chenyang Xu and Yiqiang Chen},
journal= {arXiv preprint arXiv:2602.02542},
year = {2026}
}