Prism：从非独立同分布 IMU 数据中挖掘任务感知域以实现灵活用户感知
人工智能
2025-12-02 v1 人机交互
摘要
广泛的用户感知应用依赖惯性测量单元（IMU）数据进行在线预测。然而受限于 IMU 数据来自移动设备的非独立同分布特性，大多数系统仅能在受控环境（例如特定用户的特定姿态）下正常工作，限制了应用场景。为实现移动设备上的非受控在线预测（flexible user perception, FUP 问题），是一个既引人注目又困难的挑战。本文提出一种新方案，称为 Prism，能够在移动设备上实现高 FUP 准确率。Prism 的核心在于发现 IMU 数据集中嵌入的任务感知域，并在每个识别出的域上训练域感知模型。为此，我们设计一种期望最大化（EM）算法，以特定的下游感知任务为目标估计潜在域。最终，可通过比较测试样本与所有识别出的域在特征空间中的关系，自动选择最匹配的模型使用。我们在各种移动设备上实现了 Prism 并进行了大量实验。结果表明，Prism 能以低延迟实现最佳的 FUP 性能。
引用
@article{arxiv.2501.01598,
title = {Prism: Mining Task-aware Domains in Non-i.i.d. IMU Data for Flexible User Perception},
author = {Yunzhe Li and Facheng Hu and Hongzi Zhu and Quan Liu and Xiaoke Zhao and Jiangang Shen and Shan Chang and Minyi Guo},
journal= {arXiv preprint arXiv:2501.01598},
year = {2025}
}
备注
in Proceedings of IEEE INFOCOM 2025, London, United Kingdom