结合时序关系知识的深度生成式域自适应用于跨用户活动识别
计算机视觉与模式识别
2024-03-25 v1 人工智能
人机交互
机器学习
摘要
在人类活动识别（HAR）中，训练和测试数据独立同分布（i.i.d.）的假设通常不成立，特别是在数据分布差异显著的跨用户场景中。这种差异突显了传统HAR域自适应方法的局限性，这些方法通常忽略时间序列数据中固有的时序关系。为了弥补这一空白，我们的研究引入了一种带有通用序列映射的条件变分自编码器（CVAE-USM）方法，该方法通过放宽i.i.d.假设并利用时序关系来有效对齐不同用户间的数据分布，从而解决HAR中时间序列域自适应的独特挑战。该方法结合了变分自编码器（VAE）和通用序列映射（USM）的优势，以捕获并利用用户之间的公共时序模式，从而改进活动识别。我们在两个公开的HAR数据集（OPPT和PAMAP2）上评估的结果表明，CVAE-USM优于现有的SOTA方法，为跨用户活动识别提供了更准确且更具泛化能力的解决方案。
引用
@article{arxiv.2403.14682,
title = {Deep Generative Domain Adaptation with Temporal Relation Knowledge for Cross-User Activity Recognition},
author = {Xiaozhou Ye and Kevin I-Kai Wang},
journal= {arXiv preprint arXiv:2403.14682},
year = {2024}
}