面向多住户智能家居活动学习的异质域适应赋能方法
人工智能
2022-10-19 v1 机器学习
摘要
基于传感器的活动学习的域适应在远程健康监测研究中至关重要。然而，许多域适应算法在目标域存在异质性（现实中始终存在）时无法进行操作适应，且多住户的存在极大地阻碍了其泛化能力，在半监督与未见过活动学习任务中产生不尽人意的结果。我们提出 \emph{AEDA}，一种基于深度自编码器的新型模型，用于在目标域异质性存在时实现半监督域适应，并展示如何将其引入以赋予任何同质深度域适应架构异质能力，用于跨域活动学习。在由 2 个公开人类活动数据集（可穿戴与 ambient 智能家居）创建的 8 个不同域的 18 个不同异质与多住户用例上的实验评估表明，\emph{AEDA} 在异质设置下对已有和未见过活动学习均优于现有域适应技术（ambient 智能家居和可穿戴设备分别最高提升 12.8% 和 8.9%）。
引用
@article{arxiv.2210.09499,
title = {Enabling Heterogeneous Domain Adaptation in Multi-inhabitants Smart Home Activity Learning},
author = {Md Mahmudur Rahman and Mahta Mousavi and Peri Tarr and Mohammad Arif Ul Alam},
journal= {arXiv preprint arXiv:2210.09499},
year = {2022}
}