iKAN: 基于KAN的全局增量学习用于跨异构数据集的人类活动识别
机器学习
2024-06-05 v1 人工智能
信号处理
摘要
本文提出了一种用于可穿戴传感器人类活动识别(HAR)的增量学习(IL)框架，同时解决了两个挑战：灾难性遗忘和非均匀输入。该可扩展框架iKAN开创性地使用Kolmogorov-Arnold网络(KAN)替代多层感知器作为分类器，利用样条的局部可塑性和全局稳定性。为了将KAN适配于HAR，iKAN使用任务特定的特征分支和一个特征重分布层。与现有的主要通过调整输出维度或分类器节点数量来适应新任务的IL方法不同，iKAN专注于扩展特征提取分支以容纳来自不同传感器模态的新输入，同时保持分类器输出的维度和数量一致。在六个公开HAR数据集上的持续学习展示了iKAN框架的增量学习性能，最终性能为84.9%（加权F1分数），平均增量性能为81.34%，显著优于现有的两种增量学习方法，如EWC（51.42%）和经验回放（59.92%）。
引用
@article{arxiv.2406.01646,
title = {iKAN: Global Incremental Learning with KAN for Human Activity Recognition Across Heterogeneous Datasets},
author = {Mengxi Liu and Sizhen Bian and Bo Zhou and Paul Lukowicz},
journal= {arXiv preprint arXiv:2406.01646},
year = {2024}
}
备注
This work is submitted to Ubicomp/ISWC24 and is under review