平衡人类活动识别中的持续学习与微调

基于可穿戴设备的人类活动识别（HAR）是人本机器学习中的关键任务，因为它对人类行为有基础性的理解。由于人类行为的动态特性，持续学习有望实现量身定制以满足用户需求的 HAR 系统。然而，由于使用可穿戴传感器收集标记数据的困难，专注于有监督持续学习的现有方法适用性有限，而无监督持续学习方法仅处理表示学习，同时将分类器训练推迟到后期阶段。这项工作探索了采用并调整 CaSSLe（一种持续自监督学习模型）和 Kaizen（一种平衡表示学习与下游分类的半监督持续学习模型），用于基于可穿戴设备的 HAR 任务。这些方案将对比学习重新用于知识保留，并且 Kaizen 在一个统一的方案中将其与自训练相结合，可以利用未标记和已标记数据进行持续学习。除了比较最先进的自监督持续学习方案外，我们还进一步研究了不同损失项的重要性，并探讨了知识保留与从新任务中学习之间的权衡。具体而言，我们的广泛评估表明，使用反映已学习类与新类之间比重的加权因子，在持续学习中实现了最佳的整体权衡。