Easy Ensemble：面向基于传感器人体活动识别的简单深度集成学习
计算机视觉与模式识别
2026-04-28 v2
摘要
基于传感器的人体活动识别(HAR)是物联网服务中的一项关键技术。使用表示从原始数据自动学习特征表示的HAR是主流方法，因为从原始传感器数据解释相关信息以设计有意义的特征十分困难。集成学习是提升泛化性能的稳健途径；然而，深度集成学习需要数据划分与训练多个模型等多种步骤，耗时且计算昂贵。本研究提出面向HAR的Easy Ensemble (EE)，其能在单一模型中轻松实现深度集成学习。此外，我们为EE提出了多种技术(输入变化器、逐步集成与通道混洗)。在HAR基准数据集上的实验表明了EE与各种技术的有效性及其相较于传统集成学习方法的特性。
引用
@article{arxiv.2203.04153,
title = {Easy Ensemble: Simple Deep Ensemble Learning for Sensor-Based Human Activity Recognition},
author = {Tatsuhito Hasegawa and Kazuma Kondo},
journal= {arXiv preprint arXiv:2203.04153},
year = {2026}
}
备注
13 pages, 14 figures, 5 tables. Accepted version. Published in IEEE Internet of Things Journal