人类活动识别中的数据集偏差
信号处理
2023-01-25 v1 人工智能
机器学习
摘要
在创建用于人类活动识别(HAR)的多通道时间序列数据集时,研究者面临受试者筛选标准的问题。尚不清楚需考虑哪些身体特征及/或软生物特征(如年龄、身高、体重)来训练分类器,以在训练与测试数据中实现对异质人群的鲁棒性。本工作对训练数据做统计整理,以评估人体身体特征在多大程度上影响 HAR 性能。我们在一个最先进的卷积神经网络上评估两个在传感器、活动及时间序列 HAR 记录方面相异的 HAR 数据集。训练数据被有意按人体特征施加偏差,以确定影响运动行为的特征。评估揭示了受试者特征对 HAR 的影响,从而就分类器对异质人群的鲁棒性提供了见解。该研究通过尝试量化多通道时间序列 HAR 数据中的表征偏差,向公平且可信赖的人工智能迈进了一步。
引用
@article{arxiv.2301.10161,
title = {Dataset Bias in Human Activity Recognition},
author = {Nilah Ravi Nair and Lena Schmid and Fernando Moya Rueda and Markus Pauly and Gernot A. Fink and Christopher Reining},
journal= {arXiv preprint arXiv:2301.10161},
year = {2023}
}
备注
Submitted for review to THE 32nd INTERNATIONAL JOINT CONFERENCE ON ARTIFICIAL INTELLIGENCE (IJCAI-23)