基于测试匹配数据增强的传感器特定Transformer（PatchTST）集成
机器学习
2025-10-27 v1
摘要
我们提出一种面向2nd WEAR数据集挑战的稳健人体活动识别方法，采用噪声感知、传感器特定的集成策略。该方法利用PatchTST transformer架构，在经篡改的训练集上训练四个独立模型——每个模型对应一个惯性传感器位置——其1秒滑动窗口被增强以模拟测试时的噪声。通过对齐训练和测试数据架构（JSON编码的50样本窗口），并应用随机抖动、缩放、旋转和通道丢弃，每组PatchTST模型都能学习在真实世界传感器扰动下的泛化能力。在推理阶段，我们对四个传感器模型在Kaggle测试集上的softmax概率进行平均，以产生最终标签。在私有排行榜上，该管道实现的宏平均F1分数显著高于基线，表明在噪声环境下的鲁棒HAR中，test-matched数据增强结合基于Transformer的集成是有效策略。
引用
@article{arxiv.2510.21282,
title = {Sensor-Specific Transformer (PatchTST) Ensembles with Test-Matched Augmentation},
author = {Pavankumar Chandankar and Robin Burchard},
journal= {arXiv preprint arXiv:2510.21282},
year = {2025}
}