审慎主动学习

我们提出了一种利用可穿戴传感器进行活动识别的新型主动学习框架。我们的工作独特之处在于，在选择由标注者标注的传感器数据时，考虑了标注者的身体与认知局限。我们的方法受到人类回应外部刺激（如在其移动设备上回应提示）的有限能力的启发。这种能力约束不仅体现在一个人在给定时间范围内能够回应的查询数量上，也体现在查询发出时间与回应时间之间的滞后上。我们引入审慎主动学习的概念，并提出一个名为EMMA的计算框架，在考虑传感器数据的信息量、查询预算与人类记忆的情况下最大化主动学习性能。我们形式化该优化问题，提出一种建模记忆保持的方法，讨论问题复杂度，并提出一种贪心启发式算法来求解该问题。我们在三个公开数据集上并通过模拟具有不同记忆强度的标注者证明了我们方法的有效性。我们表明活动识别准确率在21%到97%之间变化，取决于记忆强度、查询预算和机器学习任务的难度。我们的结果还表明，EMMA达到的准确率水平平均比仅考虑传感器数据信息量进行主动学习的情况高13.5%。此外，我们表明我们方法的性能至多比实验上界低20%，且比实验下界高至多80%。我们观察到，审慎主动学习在查询预算小和/或标注者记忆弱时最为有益，从而强调了我们的工作在以人为中心的移动健康场景及认知障碍老年人中的贡献。