高效的人体活动深度聚类及其评估改进方法
机器学习
2022-09-20 v1
摘要
由于手表和手机中可穿戴传感器的普及以及深度学习方法的进步（避免了从原始传感器信号中手动提取特征的需要），近年来关于人体活动识别（HAR）的研究很多。深度学习应用于 HAR 的一个显著缺点是需要对训练数据进行人工标注，而 HAR 数据集的标注尤其难以获取。在无监督设定下，以深度 HAR 聚类模型的形式，已经开始取得进展，这类模型可以在未给定任何标签进行训练的情况下为数据分配标签，但深度 HAR 聚类模型的评估存在问题，这使得评估该领域和设计新方法变得困难。在本文中，我们指出了深度 HAR 聚类模型评估中存在的几个不同问题，详细描述了这些问题并进行了细致的实验以阐明它们对结果可能产生的影响。然后我们讨论了这些问题的解决方案，并建议了未来深度 HAR 聚类模型的标准评估设定。此外，我们提出了一种新的 HAR 深度聚类模型。在我们提出的设定下测试时，我们的模型性能优于（或与）现有模型相当，同时还通过避免自编码器的需要而更加高效，并更能扩展到更复杂的数据集。
引用
@article{arxiv.2209.08335,
title = {Efficient Deep Clustering of Human Activities and How to Improve Evaluation},
author = {Louis Mahon and Thomas Lukasiewicz},
journal= {arXiv preprint arXiv:2209.08335},
year = {2022}
}