VaCDA：基于变分对比对齐的可扩展人类活动识别方法
机器学习
2025-05-09 v1
摘要
技术进步推动了可穿戴设备的兴起，这些设备配备传感器，持续监测用户活动，生成海量未标记数据。这些数据难以解释，手动标注费力且容易出错。此外，由于设备放置位置、类型以及用户行为差异，数据分布常呈异构性。因此，传统迁移学习方法表现不佳，难以识别日常活动。为应对这些挑战，我们采用变分自编码器（VAE）从可用传感器数据中学习共享的低维潜空间，以实现跨不同传感器的数据泛化，缓解异构性问题，促进对目标域的稳健适应。我们集成对比学习，以增强特征表示，通过跨域对齐同一类别的实例并分离不同类别来实现。这一工作提出了一种名为变分对比域适应（VaCDA）的多源域适应框架，结合VAE和对比学习，以提高特征表示并降低源域与目标域之间的异构性。我们在多个公开数据集上评估了VaCDA，涵盖三种异构场景：跨人员、跨位置和跨设备。VaCDA在跨位置和跨设备场景中优于基线方法。
引用
@article{arxiv.2505.04907,
title = {VaCDA: Variational Contrastive Alignment-based Scalable Human Activity Recognition},
author = {Soham Khisa and Avijoy Chakma},
journal= {arXiv preprint arXiv:2505.04907},
year = {2025}
}