May, 2021

Meta-HAR：基于联邦表征学习的人类活动识别

PDF
TL;DR本文提出一种元学习的联邦表示学习框架 Meta-HAR，将信号嵌入网络联邦元学习，再将学习到的信号表示馈入每个用户的个性化分类网络进行活动预测，从而在维持高测试准确性的同时实现了个性化，并且在多个基线测试中表现显著优于 Federated Averaging、Reptile 和甚至某些情况下的集中式学习。
发现论文，激发创造
  • FedOpenHAR：传感器基于的人体活动识别的联邦多任务迁移学习

    该研究论文探讨了在多任务环境下的联邦迁移学习，用于基于传感器的人体活动识别和设备位置识别任务，并通过使用 OpenHAR 框架和 DeepConvLSTM 结构在联邦学习环境中进行了多个实验，结果显示相比个别客户端训练和完全集中化方法，利用迁移学习和训练的任务特定及个性化的联邦模型可以获得类似的准确性并且更高的准确性。

    Nov, 2023

  • 多模态联邦人类活动识别中的隐私保护

    本研究探讨了隐私对离散的人类活动识别（HAR）在用户、环境和传感器级别上影响的问题，并发现隐私对 FL 系统的影响因传感器数据的不同共存而异。在传感器数据的隐私保护方面，训练一个通用的 FL 模型和一个每种感觉模式的组级模型互相训练是可行的，只会使准确率降低 7-13%。

    May, 2023

  • 人体活动识别的联邦遗忘

    提出一种用于改善全球人类活动识别模型的轻量级机器遗忘方法，通过选择性删除客户端的部分训练数据，并使用 KL 散度作为微调的损失函数，以使预测的概率分布与第三方数据集相一致。

    Jan, 2024

  • 使用可穿戴数据的自监督表示进行人类活动识别

    本研究基于一个大规模无标签数据集上学习的自监督表征及浅层多层感知器模型，在未参与训练的真实世界数据集上取得了良好性能，并可通过不同传感器的数据训练，从而实现了设备无关型人体活动识别模型，将有助于增加 HAR 领域中模型评估的标准化。

    Apr, 2023

  • 异构设置下联邦自监督学习：在 HAR 上基线方法的限制

    本研究旨在提供在现实环境下使用半监督学习来评估联邦学习的参考标准，其重点在于联邦自监督学习的研究，以利用移动设备上存在的大量异构未标记数据。通过使用多个现实异构人类活动识别数据集，本研究表明标准轻量级自编码器和标准联邦平均无法学习人类活动识别的稳健表示，这些发现证明了需要加强联邦自监督学习的研究。

    Jul, 2022

  • 使用参数优化的多阶段图卷积网络和 Transformer 模型进行人类活动识别的特征融合

    使用深度学习模型（如卷积神经网络和 Transformer）进行人类活动识别，研究表明特征融合对于改善活动识别系统的准确性和稳健性具有重要意义。使用 HuGaDB、PKU-MMD、LARa 和 TUG 数据集，PO-MS-GCN 和 Transformer 模型在准确性上进行了训练和评估，PO-MS-GCN 模型在效果上优于其他先进模型，并且特征融合在不同数据集上改善了结果。

    Jun, 2024

  • 人体活动检测的多任务自监督学习

    本文提出了一种基于自监督技术的特征学习方法，应用于无形标签的传感器数据。该方法可以应用于人类活动识别等领域，可以通过转化识别任务提供监督信号提取有价值的特征，并在智能手机环境下的无人监督、半监督和迁移学习的情况下实现了与完全监督网络相当甚至更好的性能。该技术可被广泛应用于其他领域。

    Jul, 2019

  • 基于传感器的人体姿态感知的机器学习技术研究及数据异质性综述

    通过分类数据异构类型、应用相应的适合的机器学习方法、总结可用的数据集并讨论未来的挑战，本论文探讨了机器学习如何解决人体活动识别中的数据异构问题。

    Mar, 2024

  • 建模标签语义提升活动识别

    本论文提出了一个基于序列到序列的神经网络框架，以学习共享活动标签名称的语义，而不是将标签仅视为整数 ID，这有助于提高人类活动识别的性能。该方法将学习活动分解为学习共享标记，通过在七个基准人类活动识别数据集上的广泛实验表明其优于现有方法。

    Jan, 2023

  • 跨域人体活动识别：少样本迁移学习

    通过利用公开标记的人体活动识别数据集进行转移学习，我们提出了一种经济有效的跨领域人体活动识别框架，以更好地处理具有非常有限标签信息的活动识别场景。

    Oct, 2023