过于美好而失真：人类活动识别中（重）现行做法导致的性能高估
机器学习
2024-07-11 v1 人工智能
摘要
如今，人类活动识别（HAR）流程中已有标准且成熟的流程。然而，其中一些常规方法会导致准确率被高估。特别是，用于数据分段的滑动窗口加上标准随机 k 折交叉验证，会产生有偏的结果。对以往文献和当前研究的分析令人惊讶地表明，这些是 HAR 前沿研究中的常见做法。让科学界意识到这一问题十分重要，其负面影响正被忽视。否则，有偏结果的发表会导致采用正确无偏方法却报告较低准确率的论文更难发表。我们利用不同类型的数据集和不同类型的分类模型进行了若干实验，得以揭示该问题，并表明其独立于方法或数据集而持续存在。
引用
@article{arxiv.2310.11950,
title = {Too Good To Be True: performance overestimation in (re)current practices for Human Activity Recognition},
author = {Andrés Tello and Victoria Degeler and Alexander Lazovik},
journal= {arXiv preprint arXiv:2310.11950},
year = {2024}
}