面向自然场景上下文感知人体活动识别的深度异构对比超图学习
机器学习
2024-09-30 v1
摘要
人体活动识别（HAR）是一个具有挑战性的多标签分类问题，因为活动可能同时发生，且对应同一活动的传感器信号在不同上下文中（例如不同的设备放置位置）可能有所不同。本文提出了一种深度异构对比超图学习（DHC-HGL）框架，以消息传递和邻域聚合的方式捕获异构的上下文感知 HAR（CA-HAR）超图属性。先前的工作仅探索了同构图或浅层节点异构图。DHC-HGL 通过以下创新方式处理异构 CA-HAR 数据：1）构建三种不同类型的子超图，每种子超图分别通过为处理边异构性而设计的不同自定义超图卷积（HGC）层；2）采用对比损失函数以确保节点异构性。在两个 CA-HAR 数据集上的严格评估中，DHC-HGL 在 Matthews 相关系数（MCC）上比 SOTA 基线显著提升了 5.8% 至 16.7%，在 Macro F1 分数上提升了 3.0% 至 8.4%。此外，还展示了学习到的 CA-HAR 节点嵌入的 UMAP 可视化，以增强模型的可解释性。
引用
@article{arxiv.2409.18481,
title = {Deep Heterogeneous Contrastive Hyper-Graph Learning for In-the-Wild Context-Aware Human Activity Recognition},
author = {Wen Ge and Guanyi Mou and Emmanuel O. Agu and Kyumin Lee},
journal= {arXiv preprint arXiv:2409.18481},
year = {2024}
}
备注
IMWUT 2023