HAROOD：面向传感器-based 人类活动识别的分布外概况基准
人工智能
2026-01-01 v3
摘要
传感器-based 人类活动识别（HAR）从时间序列感性数据中挖掘活动模式。在现实场景中，跨个人、跨设备、跨环境和跨时间的差异会引起相同活动的显著分布性偏移。近期研究尝试通过应用或改造现有的分布外（OOD）算法来解决此挑战，但仅针对特定分布偏移场景（如跨设备或跨位置），缺乏对这些算法有效性的全面洞察。例如，OOD 是否是必要的？哪种 OOD 算法表现最佳？本文通过提出 HAROOD，一个针对 OOD 设置下的综合性基准来填补这一空白。我们定义了 4 种 OOD 场景：跨人员、跨位置、跨数据集和跨时间，并构建了一个覆盖 6 个数据集、16 个比较方法（采用 CNN 和 Transformer 架构实现）以及两种模型选择协议的测试平台。随后我们开展了大量实验，提出了若干未来研究发现，例如不存在单一方法始终优于其他方法，凸显了巨大的改进潜力。我们的 codebase 高度模块化且易于扩展，以供新的数据集、算法、比较和分析使用，期望促进 OOD-based HAR 的研究。我们的实现已公开，可在 https://github.com/AIFrontierLab/HAROOD 查找。
引用
@article{arxiv.2512.10807,
title = {HAROOD: A Benchmark for Out-of-distribution Generalization in Sensor-based Human Activity Recognition},
author = {Wang Lu and Yao Zhu and Jindong Wang},
journal= {arXiv preprint arXiv:2512.10807},
year = {2026}
}
备注
Accepted by KDD 2026