ContextGPT：将 LLM 知识注入神经符号活动识别模型
机器学习
2025-03-24 v2 人工智能
计算与语言
摘要
上下文感知的人类活动识别（HAR）是移动计算中的一个热门研究领域，文献中最有效的解决方案基于监督深度学习模型。然而，这些系统的实际部署受到训练所需标注数据稀缺的限制。神经符号人工智能（NeSy）提供了一个有趣的研究方向，通过将关于人类活动及其执行上下文的常识知识注入 HAR 深度学习分类器来缓解这一问题。现有的用于上下文感知 HAR 的 NeSy 方法依赖于编码在基于逻辑的模型（例如本体）中的知识，这些模型的设计、实施和维护以捕捉新的活动和上下文需要大量的人工工程工作、技术知识和领域专业知识。最近的工作表明，预训练的大型语言模型（LLM）有效地编码了关于人类活动的常识知识。在这项工作中，我们提出了 ContextGPT：一种新颖的提示工程方法，用于从 LLM 中检索关于人类活动与其执行上下文之间关系的常识知识。与本体的不同之处在于，ContextGPT 需要有限的人力和专业知识。在两个公共数据集上进行的广泛评估表明，通过从 ContextGPT 注入常识知识获得的 NeSy 模型在数据稀缺场景中是有效的，其识别率与基于逻辑的方法相当（有时甚至更好），而所需的工作量仅为后者的一小部分。
引用
@article{arxiv.2403.06586,
title = {ContextGPT: Infusing LLMs Knowledge into Neuro-Symbolic Activity Recognition Models},
author = {Luca Arrotta and Claudio Bettini and Gabriele Civitarese and Michele Fiori},
journal= {arXiv preprint arXiv:2403.06586},
year = {2025}
}