基于弱监督学习的多模态移动感知模型增强与个性化
机器学习
2019-10-30 v1 机器学习
信号处理
摘要
如今，移动设备用户上下文信息的常开感知对许多智能用例（如医疗健康、驾驶辅助、语音 UI）至关重要。用于预测用户上下文的最先进方法已证明利用多种感知模态以提升准确性的价值。然而，当前在应用处理器上运行的那些上下文推断算法往往消耗大量功耗，使其不适合常开实现。我们指出并非每种感知模态都适合一直激活，且构建使用低功耗友好感知模态的推断引擎仍具挑战性。同时，由于人群多样性，我们发现难以在训练数据有限的情况下学习到泛化良好的上下文推断模型，尤其当仅使用常开低功耗传感器时。在本工作中，我们提出一种方法，利用设备中机会式开启的对应模态来改进常开预测模型，从而形成个性化方案。我们使用弱监督学习框架对这一问题建模，并提供理论与实验结果来验证我们的设计。所提框架在我们考虑的基于 IMU 的活动识别应用中取得了令人满意的结果。
引用
@article{arxiv.1910.13401,
title = {Model enhancement and personalization using weakly supervised learning for multi-modal mobile sensing},
author = {Diyan Teng and Rashmi Kulkarni and Justin McGloin},
journal= {arXiv preprint arXiv:1910.13401},
year = {2019}
}