我的健康传感器，我的分类器：使已训练分类器适应无标注终端用户数据
机器学习
2020-09-24 v1 信号处理
摘要
在本工作中，我们提出一种无监督域适应（DA）方法，其约束为标注的源数据不可直接获取，而仅提供对基于源数据训练的分类器的访问。我们的方案基于分类器的置信度，迭代地仅标注目标数据分布中高置信度的子区域，然后基于不断扩展的高置信度数据集迭代学习新分类器。目标是将所提方法应用于睡眠呼吸暂停检测的域适应任务，并基于患者需求实现个性化。在一系列使用开放与封闭睡眠监测数据集的实验中，所提方法被应用于来自不同传感器的数据，用于不同数据集间的域适应。所提方法在所有实验中均优于在源域训练的分类器，kappa 系数的提升从 0.012 到 0.242 不等。此外，我们的方案被应用于三个成熟数字数据集间的数字分类域适应，以探究方法的泛化性，并便于与相关工作的比较。即使无法直接访问源数据，它仍取得了良好结果，并优于若干成熟的无人监督域适应方法。
引用
@article{arxiv.2009.10799,
title = {My Health Sensor, my Classifier: Adapting a Trained Classifier to Unlabeled End-User Data},
author = {Konstantinos Nikolaidis and Stein Kristiansen and Thomas Plagemann and Vera Goebel and Knut Liestøl and Mohan Kankanhalli and Gunn Marit Traaen and Britt Øverland and Harriet Akre and Lars Aakerøy and Sigurd Steinshamn},
journal= {arXiv preprint arXiv:2009.10799},
year = {2020}
}