增量数据下自监督活动表示学习的实证研究

在移动感知环境中，移动设备上的各种传感器持续生成大量数据。分析这些不断增长的数据面临若干挑战，包括标注数据访问受限以及环境不断变化。自监督学习的最新进展已被用作预训练步骤，以提升传统监督模型的性能，以应对缺乏标注数据集的问题。本研究考察了在数据增量可用的时间序列分类任务中使用自监督表示学习模型的影响。我们提出并评估了一种工作流，其中模型使用无标签时间序列数据语料库学习提取信息性特征，然后利用模型提取的特征对标注数据进行分类。我们分析了无标签数据的大小、分布和来源在四个公共数据集上对最终分类性能的影响，这些数据集涵盖不同应用中的多种传感器类型。