利用超维计算实现可穿戴健康应用的高效个性化学习
机器学习
2022-08-03 v1 人工智能
人机交互
信号处理
摘要
健康监测应用日益依赖机器学习技术来学习日常环境中的终端用户生理与行为模式。考虑到可穿戴设备在监测人体参数方面的重要作用，设备端学习可用于构建行为与生理模式的个性化模型，同时为用户提供数据隐私。然而，大多数此类可穿戴设备上的资源限制阻碍了在其上执行在线学习的能力。为解决此问题，需要从算法角度重新思考机器学习模型，使其适合在可穿戴设备上运行。超维计算(HDC)为资源受限设备提供了一种合适的设备端学习方案，并支持隐私保护个性化。我们基于HDC的方法在支持设备端个性化与隐私保护的同时，提供了灵活性、高效率、鲁棒性与性能。我们通过三个案例研究评估了方法的有效性，结果表明，与最先进的深度神经网络(DNN)算法相比，我们的系统将训练能效提高了至多，同时提供了相当的准确率。
引用
@article{arxiv.2208.01095,
title = {Efficient Personalized Learning for Wearable Health Applications using HyperDimensional Computing},
author = {Sina Shahhosseini and Yang Ni and Hamidreza Alikhani and Emad Kasaeyan Naeini and Mohsen Imani and Nikil Dutt and Amir M. Rahmani},
journal= {arXiv preprint arXiv:2208.01095},
year = {2022}
}