DAPPER：个性化后面向异构移动感知的无标签性能估计
机器学习
2023-06-14 v2
摘要
许多应用利用移动设备中的传感器与机器学习来提供新颖服务。然而，不同用户、设备与环境等多种因素会影响此类应用的性能，从而使得域偏移（即训练域与目标域之间的分布偏移）成为移动感知中的关键问题。尽管已有域适应方面的尝试来解决这一难题，但由于多种因素间复杂的相互作用，其性能并不可靠。原则上，可通过基于真值标签的性能验证来识别并弥补性能不确定性。然而，让每个用户都收集高质量且充足的标注数据并不可行。为解决该问题，我们提出 DAPPER（Domain AdaPtation Performance EstimatoR，域适应性能估计器），其仅利用无标签目标数据来估计目标域中的适应性能。我们的核心思想是基于模型输入与相应输出之间的互信息来近似模型性能。我们在四个真实世界感知数据集上对比六种基线进行评估，结果表明平均而言 DAPPER 在估计精度上优于最优基线 39.8%。此外，我们的设备端实验显示，与基线相比 DAPPER 最高可实现 396 倍的更少计算开销。
引用
@article{arxiv.2111.11053,
title = {DAPPER: Label-Free Performance Estimation after Personalization for Heterogeneous Mobile Sensing},
author = {Taesik Gong and Yewon Kim and Adiba Orzikulova and Yunxin Liu and Sung Ju Hwang and Jinwoo Shin and Sung-Ju Lee},
journal= {arXiv preprint arXiv:2111.11053},
year = {2023}
}
备注
Accepted to Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies (IMWUT), 2023