基于正则化的持续学习方法的评估：在人体活动识别中的应用
人工智能
2023-04-27 v1 机器学习
摘要
普适计算使得在众多重要领域提供服务成为可能，其中包括健康与福祉这一相关且动态的领域的。在该领域中，人体活动识别（HAR）近年来备受关注。当前的解决方案依赖于机器学习（ML）模型并取得了令人印象深刻的成果。然而，只要不进行完整的重新训练，这些模型的演进仍然困难。为克服此问题，持续学习的概念如今极具前景，尤其是基于正则化的技术。这些技术因其简单性和低开销而尤为有趣。已有初步研究并显示出有希望的结果。然而，它们仍非常特定且难以比较。在本文中，我们对适配到 HAR 领域的三种基于正则化的方法进行了全面比较，突出了它们的优势与局限。我们的实验在 UCI HAR 数据集上进行，结果表明在所考虑的所有场景中，没有单一技术能全面优于其他所有技术。
引用
@article{arxiv.2304.13327,
title = {Evaluation of Regularization-based Continual Learning Approaches: Application to HAR},
author = {Bonpagna Kann and Sandra Castellanos-Paez and Philippe Lalanda},
journal= {arXiv preprint arXiv:2304.13327},
year = {2023}
}