基于手机数据的社会与个体属性增量学习及精度预测

手机正迅速成为社会、行为和环境感知与数据收集的主要来源。如今的智能手机配备了越来越多的传感器和可访问的数据类型，能够收集与手机、用户及其环境相关的数十种信号。学术界和工业界投入了大量研究精力来挖掘这些原始数据以实现更高层次的语义理解，例如理解用户情境、推断社交网络、学习个体特征、预测结果等。在本研究中，我们调查了通过手机随时间收集的真实世界数据的学习与推断特性。具体而言，我们考察了随时间推移的动态学习过程，以及随着额外数据的积累，预测个体参数和社交链接的能力是如何逐步增强的。为此，我们使用了 Friends and Family 数据集，该数据集包含从年轻家庭住宅社区 140 名成年成员的智能手机上收集了一年多的丰富数据信号，是迄今为止学术界收集的最全面的手机数据集之一。我们开发了多个模型，从感知到的手机数据中预测社会和个体属性，包括检测生活伴侣、种族以及一个人是否是学生。然后，针对这组多样化的学习任务，我们研究了随着新数据的收集，预测精度随时间如何演变。最后，基于所获得的见解，我们提出了一种方法，该方法基于初始测量集合，能够提前预测当前学习任务可能达到的最大学习精度。这具有实际意义，例如指导手机数据收集活动的设计，或评估分析策略。