ColloSSL：面向人体活动识别的协同自监督学习
机器学习
2022-02-03 v1 人工智能
人机交互
摘要
训练鲁棒的人体活动识别（HAR）模型的一个主要瓶颈是需要大规模带标签的传感器数据集。由于标注大量传感器数据是一项昂贵任务，无监督和半监督学习技术应运而生，它们无需任何标签即可从数据中学习良好特征。在本文中，我们延续这一研究方向，提出一种称为协同自监督学习（ColloSSL）的新技术，其利用用户佩戴的多个设备收集的无标签数据来学习数据的高质量特征。支撑 ColloSSL 设计的一个关键见解是，由多个设备同时捕获的无标签传感器数据集可视为彼此的自然变换，并可用于生成表征学习的监督信号。我们提出三项技术创新，将常规自监督学习算法扩展到多设备场景：选择正设备和负设备以启用对比学习的设备选择方法、在多设备场景中采样正负例的对比采样算法，以及将标准对比损失扩展到多设备场景的称为多视角对比损失的损失函数。我们在三个多设备数据集上的实验结果表明，ColloSSL 在大多数实验设置中优于全监督和半监督学习技术，与性能最佳的基线相比 F_1 分数绝对提升最高达 7.9%。我们还表明，在低数据场景下 ColloSSL 优于全监督方法，最佳情况下仅使用可用标注数据的十分之一。
引用
@article{arxiv.2202.00758,
title = {ColloSSL: Collaborative Self-Supervised Learning for Human Activity Recognition},
author = {Yash Jain and Chi Ian Tang and Chulhong Min and Fahim Kawsar and Akhil Mathur},
journal= {arXiv preprint arXiv:2202.00758},
year = {2022}
}
备注
Accepted to ACM IMWUT 2022