基于集成分布蒸馏的自监督人类活动识别
机器学习
2025-09-11 v1
摘要
人类活动识别（HAR）在采用深度学习技术后取得了显著进展，但仍面临数据需求、可靠性和鲁棒性等挑战。本文探索了将集成分布蒸馏（Ensemble Distribution Distillation, EDD）应用于自监督学习框架中进行 HAR 的新颖应用，以克服上述挑战。通过利用无标签数据和部分监督的训练策略，我们的方法在提高预测准确率、提供鲁棒的不确定性估计以及在对抗性扰动下显著提升鲁棒性方面取得显著效果，从而在不增加推理计算复杂度的前提下，显著提升了在实际场景中的可靠性。我们通过在几个公开数据集上的评估表明了这一点。本工作的贡献包括开发自监督 EDD 框架、为 HAR 设计的创新数据增强技术，以及经济验证所提出方法提高鲁棒性和可靠性的有效性。
引用
@article{arxiv.2509.08225,
title = {Ensemble Distribution Distillation for Self-Supervised Human Activity Recognition},
author = {Matthew Nolan and Lina Yao and Robert Davidson},
journal= {arXiv preprint arXiv:2509.08225},
year = {2025}
}
备注
37 pages, 10 figures