基于可穿戴设备的人类活动弱监督多任务表示学习
机器学习
2023-08-09 v1 人工智能
信号处理
摘要
来自可穿戴设备与智能环境的传感器数据流在人类活动识别（HAR）、个体识别或健康监测等领域被广泛研究。然而，以往活动与传感器流分析的工作大多聚焦于数据的某一方面，例如仅识别活动类型或仅识别执行活动的个体。我们转而提出一种方法，使用弱监督多输出孪生网络，学习将数据映射到多个表示空间，其中每个表示空间关注数据的一个方面。数据样本的表示向量在空间中被如此排布：在该方面具有相同的语义含义的数据彼此邻近。因此，如一组实验所示，训练后的模型可提供基于多方面对数据进行聚类的度量，使其能同时处理多个任务，甚至在多数情况下优于单任务监督方法。此外，我们给出了进一步实验，更细致地分析了该框架中架构及使用多任务的影响，探究了模型纳入额外任务的可扩展性，并展示了该框架对仅具有关于目标任务的局部关系信息的数据进行联合的能力。
引用
@article{arxiv.2308.03805,
title = {Weakly Supervised Multi-Task Representation Learning for Human Activity Analysis Using Wearables},
author = {Taoran Sheng and Manfred Huber},
journal= {arXiv preprint arXiv:2308.03805},
year = {2023}
}