randomHAR：通过传感器选择与强化学习改进用于人类活动识别的集成深度学习器
机器学习
2023-07-18 v1 信号处理
摘要
深度学习已在人类活动识别(HAR)领域被证明是一种有效方法，优于其他需要手动特征工程的架构。尽管近期取得进展，HAR数据固有的挑战如噪声数据、类内变异与类间相似性依然存在。为应对这些挑战，我们提出一种称为randomHAR的集成方法。randomHAR的核心思想是在给定数据集上随机选取的传感器数据上，以相同架构训练一系列深度学习模型。此外，一个智能体通过强化学习算法训练，以识别用于运行时预测的训练模型的最优子集。与现有工作不同，该方法优化集成过程而非组成模型的架构。为评估该方法性能，我们在六个HAR基准数据集上将其与两种HAR算法（包括当前最先进方法）比较。实验结果表明所提方法优于最先进的ensembleLSTM方法。
引用
@article{arxiv.2307.07770,
title = {randomHAR: Improving Ensemble Deep Learners for Human Activity Recognition with Sensor Selection and Reinforcement Learning},
author = {Yiran Huang and Yexu Zhou and Till Riedel and Likun Fang and Michael Beigl},
journal= {arXiv preprint arXiv:2307.07770},
year = {2023}
}