用于上下文感知人类活动识别的神经符号方法
机器学习
2023-06-09 v1 人工智能
信号处理
摘要
深度学习模型是基于传感器的人类活动识别（HAR）的标准解决方案，但其部署常受限于标注数据稀缺和模型不透明。神经符号 AI（NeSy）通过将关于上下文信息的知识注入 HAR 深度学习分类器，提供了一条缓解这些问题的有趣研究方向。然而，现有的用于上下文感知 HAR 的 NeSy 方法在分类期间需要计算代价高昂的符号推理器，使其不太适合部署在资源受限设备（例如移动设备）上。此外，用于上下文感知 HAR 的 NeSy 方法从未在真实场景数据集上评估过，其在现实世界场景中的泛化能力存疑。在本工作中，我们提出了一种基于语义损失函数的新方法，在训练阶段将知识约束注入 HAR 模型，从而在分类时避免符号推理。我们在脚本化和真实场景数据集上的结果表明不同语义损失函数在超越纯数据驱动模型方面的影响。我们还将我们的解决方案与现有 NeSy 方法比较，并分析每种方法的优势与弱点。我们的语义损失仍是唯一可作为单一 DNN 部署而无需符号推理模块的 NeSy 解决方案，达到了接近（某些情况下优于）现有方法的识别率。
引用
@article{arxiv.2306.05058,
title = {Neuro-Symbolic Approaches for Context-Aware Human Activity Recognition},
author = {Luca Arrotta and Gabriele Civitarese and Claudio Bettini},
journal= {arXiv preprint arXiv:2306.05058},
year = {2023}
}