SelfAct：基于自监督与主动学习的个性化活动识别
机器学习
2023-04-20 v1 人工智能
人机交互
信号处理
摘要
监督式深度学习（DL）模型目前是基于可穿戴与移动设备的传感器人体活动识别（HAR）的主流方法。然而，训练它们需要大量标注数据，其采集通常耗时、昂贵且易出错。同时，由于活动执行的内在与个体间差异性，活动模型应为每位用户个性化。本工作中，我们提出 SelfAct：一种结合自监督与主动学习以缓解这些问题的新型 HAR 框架。SelfAct 利用从多名用户收集的大量无标注数据，通过自监督预训练一个 DL 模型，旨在学习传感器数据有意义且高效的潜在表示。所得预训练模型可由新用户在本地使用，并通过一种新型无监督主动学习策略对其进行微调。我们在两个公开可用的 HAR 数据集上的实验表明，SelfAct 以少量的主动学习查询取得了接近甚至优于全监督方法的结果。
引用
@article{arxiv.2304.09530,
title = {SelfAct: Personalized Activity Recognition based on Self-Supervised and Active Learning},
author = {Luca Arrotta and Gabriele Civitarese and Samuele Valente and Claudio Bettini},
journal= {arXiv preprint arXiv:2304.09530},
year = {2023}
}