用于物理活动数据插值的时序多尺度稀疏自注意力模型
机器学习
2024-06-28 v1
摘要
可穿戴传感器使健康研究人员能够在真实世界环境中持续收集关于个体生理状态的数据。然而，这些数据可能因复杂原因而出现大量缺失。本文研究了缺失步数数据插值的问题，这是最常见的可穿戴传感器数据形式之一。我们构建了一个新型且大规模的数据集，包括超过300万小时步数观测值的训练集和超过250万小时步数观测值的测试集。我们提出了一个基于领域知识的稀疏自注意力模型，用于该任务，捕捉步数数据的时序多尺度特性。我们评估了模型相对于基线方法的性能，并进行了消融研究以验证我们特定的模型设计。
引用
@article{arxiv.2406.18848,
title = {Temporally Multi-Scale Sparse Self-Attention for Physical Activity Data Imputation},
author = {Hui Wei and Maxwell A. Xu and Colin Samplawski and James M. Rehg and Santosh Kumar and Benjamin M. Marlin},
journal= {arXiv preprint arXiv:2406.18848},
year = {2024}
}
备注
Accepted by Conference on Health, Inference, and Learning (CHIL) 2024