使用增量学习个性化人体活动识别模型时用户输入的重要性
机器学习
2019-05-30 v1 计算机视觉与模式识别
人机交互
机器学习
摘要
本研究在利用增量学习个性化人体活动识别模型的背景下，探讨了用户输入的重要性。使用了来自三个身体部位的惯性传感器数据，分类基于 Learn++ 集成方法。比较了三种不同的模型更新方法：非监督、半监督和监督。非监督方法完全依赖预测标签，监督方法完全依赖用户标注数据，而所提出的半监督学习方法则是两者的结合。事实上，我们的实验表明，通过依赖高置信度的预测标签，并仅要求用户对不确定观测（根据所用基分类器占观测的 12% 至 26%）进行标注，可达到几乎与监督方法一样低的错误率。实际上，差异小于 2 个百分点。此外，与非监督方法不同，半监督方法不会遭受严重的概念漂移，因此非监督方法的错误率比使用半监督方法高出超过 5 个百分点。
引用
@article{arxiv.1905.11775,
title = {Importance of user inputs while using incremental learning to personalize human activity recognition models},
author = {Pekka Siirtola and Heli Koskimäki and Juha Röning},
journal= {arXiv preprint arXiv:1905.11775},
year = {2019}
}
备注
European Symposium on Artificial Neural Networks, Computational Intelligence and Machine Learning (ESANN) 2019, pages 449-454