高效白盒人类活动识别训练的策略与挑战
人机交互
2024-12-12 v1
摘要
使用可穿戴传感器从时间序列数据中进行的人类活动识别（Human Activity Recognition, HAR）因复杂的时间依赖性、传感器噪声、摆放变异性和多样化人类行为而面临独特挑战。这些因素以及黑盒机器学习模型的非透明性质，阻碍了可解释性并阻碍了人类对模型行为的理解。本文通过探索策略来增强可解释性，采用白盒方法，这些方法在训练期间提供关于潜在空间动力学和模型行为的可操作见解。通过利用人类的直觉和专业知识，所提出的框架改进了可解释性，促进了信任，促进了透明的人类活动识别系统。本文的关键贡献是提出一种以人类为中心的框架（Human-in-the-Loop framework），该框架使模型与用户的动态交互成为可能，通过迭代细化来提高性能和效率。此外，我们研究了大型语言模型（Large Language Model, LLM）作为辅助工具的作用，为用户提供解释可视化、诊断问题和优化工作流程的指导。总体而言，这些贡献为开发可解释且可访问的人类活动识别系统提供了一个可扩展且高效的框架。
引用
@article{arxiv.2412.08507,
title = {Strategies and Challenges of Efficient White-Box Training for Human Activity Recognition},
author = {Daniel Geissler and Bo Zhou and Paul Lukowicz},
journal= {arXiv preprint arXiv:2412.08507},
year = {2024}
}