VFDS：贝叶斯神经网络中用于高效人类活动识别的变分预见动态选择
机器学习
2022-04-04 v1 机器学习
摘要
在许多机器学习任务中，具有不同预测能力的输入特征以不同的代价获取。为了优化性能-代价权衡，人们会先验地选择要观测的特征。然而，鉴于先前观测所带来的上下文变化，待选择的预测特征子集可能动态改变。因此，我们面临一个具有挑战性的新问题——预见动态选择（FDS）：寻找一个动态且轻量的策略，在实际观测之前决定下一步观测哪些特征，以权衡整体性能与代价。为应对FDS，本文提出一种变分预见动态选择（VFDS）的贝叶斯学习框架。VFDS通过学习一个策略来选择下一步要观测的特征子集，该策略优化一个变分贝叶斯目标，刻画模型性能与特征代价之间的权衡。其核心是依赖于先前观测的二值门上的隐变分分布，该分布将选择下一步要观测的特征子集。我们将VFDS应用于人类活动识别（HAR）任务，其中性能-代价权衡在其实践中至关重要。大量结果表明，VFDS在变化上下文中选择不同特征，显著节省传感代价同时保持或提升HAR准确率。此外，VFDS动态选择的特征被证明是可解释的，并与不同活动类型相关联。我们将发布代码。
引用
@article{arxiv.2204.00130,
title = {VFDS: Variational Foresight Dynamic Selection in Bayesian Neural Networks for Efficient Human Activity Recognition},
author = {Randy Ardywibowo and Shahin Boluki and Zhangyang Wang and Bobak Mortazavi and Shuai Huang and Xiaoning Qian},
journal= {arXiv preprint arXiv:2204.00130},
year = {2022}
}