SWL-Adapt：一种带样本权重学习的无监督域适应模型用于跨用户可穿戴人体活动识别
信号处理
2023-06-05 v2 计算机视觉与模式识别
机器学习
摘要
在实际应用中，可穿戴人体活动识别（WHAR）模型常因用户差异而在新用户上面临性能退化。无监督域适应（UDA）成为标注稀缺下跨用户 WHAR 的自然解决方案。现有 UDA 模型通常不加区分地对齐跨域样本，忽略了样本间差异。本文提出一种带样本权重学习的无监督域适应模型（SWL-Adapt）用于跨用户 WHAR。SWL-Adapt 通过参数化网络依据每个样本的分类损失与域判别损失计算样本权重。我们引入基于元优化的更新规则端到端地学习该网络，并以所选伪标记目标样本上的元分类损失为指导。因此，该网络能依据手头的跨用户 WHAR 任务拟合加权函数，优于针对特定场景固定的现有样本区分规则。在三个公开 WHAR 数据集上的大量实验表明，SWL-Adapt 在跨用户 WHAR 任务上取得了最先进（SOTA）性能，准确率与宏 F1 分数分别平均优于最佳基线 3.1% 和 5.3%。
引用
@article{arxiv.2212.00724,
title = {SWL-Adapt: An Unsupervised Domain Adaptation Model with Sample Weight Learning for Cross-User Wearable Human Activity Recognition},
author = {Rong Hu and Ling Chen and Shenghuan Miao and Xing Tang},
journal= {arXiv preprint arXiv:2212.00724},
year = {2023}
}
备注
Accepted by AAAI 2023. 9 pages and 4 figures in main text. 3 pages and 5 figures in appendix