面向少样本可穿戴传感器人类活动识别的 LLM 指导性样本选择
计算与语言
2026-01-05 v2 人工智能
计算机视觉与模式识别
摘要
本文提出一种 LLM 指导性样本选择框架，以解决当前先进的人类活动识别 (HAR) 方法的关键局限性：它们依赖大量标记数据集并仅使用几何样本选择，这往往难以区分类似的可穿戴传感器活动，如走路、楼梯上走和楼梯下走。我们的方法通过 LLM 生成的知识先验 incorporating 语义推理，捕捉特征重要性、类别间混淆性以及样本预算乘子，并用于指导样本评分和选择。这些先验与基于边际的验证线索、PageRank 中心性、中心性惩罚以及设施位置优化相结合，以获得紧凑且信息丰富的样本集合。在严格的少样本条件下评估该框架在 UCI-HAR 数据集上，实现了 88.78% 的宏 F1 分数，超越了随机采样、herding 和 k-center 等经典方法。结果表明， 当集成结构和几何线索时，LLM 派生的语义先验为少样本可穿戴传感器 HAR 中选择代表性样本提供了更强的基础。
引用
@article{arxiv.2512.22385,
title = {LLM-Guided Exemplar Selection for Few-Shot Wearable-Sensor Human Activity Recognition},
author = {Elsen Ronando and Sozo Inoue},
journal= {arXiv preprint arXiv:2512.22385},
year = {2026}
}
备注
This paper has been accepted for presentation at ABC 2026. The manuscript is under revision prior to camera-ready submission