通过早期分叉双分支框架解耦因果推断实现基于传感器的跨域活动识别
计算机视觉与模式识别
2025-07-08 v1
摘要
近年来，领域泛化（DG）已成为缓解基于传感器的人类活动识别（HAR）场景中分布偏移问题的一种有前景的解决方案。然而，现有大多数基于DG的工作仅关注于建模传感器数据与活动标签之间的统计依赖性，忽略了内在因果机制的重要性。直观上，每个传感器输入都可以被视为因果因素（类别感知）和非因果因素（领域特定）的混合，其中只有前者影响活动分类判断。在本文中，通过将这种基于DG的HAR视为一个因果推断问题，我们提出了一种受因果启发的表示学习算法，用于跨域活动识别。为此，设计了一个早期分叉的双分支框架，其中两个独立的分支分别负责学习因果特征和非因果特征，同时采用基于独立性的希尔伯特-施密特信息准则来隐式地解耦它们。此外，设计了一种非均匀领域采样策略以增强解耦，并执行了一个类别感知的领域扰动层以防止表示坍缩。在多个公开HAR基准上的大量实验表明，我们受因果启发的方法在跨人、跨数据集和跨位置设置下显著优于十一个相关的最先进基线。详细的消融和可视化分析揭示了潜在的因果机制，表明了其在跨域活动识别场景中的有效性、高效性和普适性。
引用
@article{arxiv.2507.03898,
title = {Deconfounding Causal Inference through Two-Branch Framework with Early-Forking for Sensor-Based Cross-Domain Activity Recognition},
author = {Di Xiong and Lei Zhang and Shuoyuan Wang and Dongzhou Cheng and Wenbo Huang},
journal= {arXiv preprint arXiv:2507.03898},
year = {2025}
}
备注
Accepted by Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies (IMWUT)