基于传感器的智能环境中的自监督新活动检测
机器学习
2025-03-21 v2 信号处理
摘要
随着普适计算技术的快速发展，基于来自多种传感器的时间序列数据的人类活动分析使得提供更智能的服务成为可能。尽管在真实场景中探索新活动非常重要，但现有的人类活动识别研究通常依赖于预定义的已知活动，并且往往忽略了检测训练期间未曾观察到的新模式（新颖性）。由于以下原因，人类活动中的新颖性检测变得更具挑战性：（1）同一已知活动内模式的多样性，（2）已知活动与新活动之间共享的模式，以及（3）每个活动数据集的传感器属性差异。我们提出了 CLAN，这是一种双塔模型，利用对比学习与多样化数据增强来进行基于传感器环境中的新活动检测。CLAN 同时且显式地利用多种类型的强偏移数据作为对比学习中的负样本，有效学习适应同一活动内各种模式变化的不变表示。为了增强区分共享共同特征的已知活动和新活动的能力，CLAN 结合了时域和频域，从而能够学习多方面的判别性表示。此外，我们设计了一种针对每个数据集属性量身定制的自动数据增强方法选择机制，为对比学习生成合适的正样本对和负样本对。在真实世界数据集上的综合实验表明，与性能最佳的基线模型相比，CLAN 在 AUROC 上实现了 9.24% 的提升。
引用
@article{arxiv.2401.10288,
title = {Self-supervised New Activity Detection in Sensor-based Smart Environments},
author = {Hyunju Kim and Dongman Lee},
journal= {arXiv preprint arXiv:2401.10288},
year = {2025}
}