May, 2023

基于多任务学习使用移动感知技术进行罕见生活事件检测

PDF
TL;DR本文提出了一种基于移动传感器数据来检测罕见生活事件的多任务框架，通过使用格兰杰因果性和无监督自编码器以及辅助序列预测器来提高检测准确性，结果显示该方法的 F1 值达到了 0.34，表现优于多个基线，结果为罕见事件检测提供了有效的方法。
mobile sensing datagranger-causalitymulti-task frameworkrare event detectionbehavioral studies
发现论文，激发创造
  • 利用生活事件序列预测人的生活

    利用机器学习等技术，将人类生活事件序列嵌入到一个单一的向量空间中，以预测包括早亡和人格特质在内的多种结果，从而为个性化干预提供了潜在机制。

    Jun, 2023

  • 稀有事件预测的综述

    稀有事件预测是使用机器学习和数据分析识别和预测低概率事件。由于数据分布不均衡，普通事件的频率远远超过稀有事件，需要在机器学习流程中的每个步骤中使用专门的方法，从数据处理到算法到评估协议。该论文全面综述了稀有事件预测的当前方法在四个方面：稀有事件数据，数据处理，算法方法和评估方法。它旨在找出当前文献中的差距并突出预测稀有事件的挑战。它还提出了潜在的研究方向，可帮助指导从业人员和研究人员。

    Sep, 2023

  • 基于可穿戴设备的野外瞬时压力检测的半监督学习和数据增强

    本研究讨论了在野外利用未标记的可穿戴传感器数据进行压力检测的方法，该方法结合了数据增强技术、自编码器和半监督学习等方法，通过实验验证，相较于基准监督学习模型，可以将压力分类性能提高 7.7% 到 13.8%。

    Feb, 2022

  • 稀有事件建模的变分分离

    提出了一种基于极值分布和变分去解耦的方法，用于在高度不平衡的分类问题中学习罕见事件和提高临床决策支持系统的性能。该方法在合成研究和实际临床数据集上具有显著的性能优势，包括 COVID-19 毒性预测。

    Sep, 2020

  • 适应性少样本学习算法在稀有声音事件检测中的应用

    本研究提出了一种新颖的任务自适应模块，用于度量学习框架的少样本学习中，并在两个数据集上实现了比基线方法取得了更好的性能，特别是在转导传播网络上，例如在 ESC-50 的 5 路 1-shot 准确性上提高了 6.8％，在 noiseESC-50 上提高了 5.9％。

    May, 2022

  • 利用卫星影像与 GPS 轨迹进行新数据来源的事件检测

    利用卫星图像和隐私增强的移动数据相结合的新型数据融合方法，用于增强实时或历史事件推断任务，应用场景包括农村地区的小规模灾害检测（如龙卷风、野火和洪水）、偏远荒野地区失踪徒步者的搜救以及战乱国家的活动冲突区域和人口流离失所地的识别。

    Jan, 2024

  • 个性化预测多模态时间序列数据上经常性压力事件的自监督学习

    利用可穿戴生物信号数据开发了一种多模式个性化应激预测系统，使用自监督学习模型进行预训练，并在少量注释数据下优于非自监督学习模型。该模型具有个性化的预测能力，可应用于使用复杂多模态数据流进行各种周期性健康事件的个性化预测。

    Jul, 2023

  • 压力移动传感的个性化使用自我监督学习

    使用穿戴设备收集的生物信号数据进行压力预测，通过个性化的自监督学习方法，基于神经网络模型实现了较少标注数据即可达到等效结果，从而辅助移动感知技术在诸如压力等复杂、异质和主观主题上精准度健康评估系统。

    Aug, 2023

  • 智能系统安全关键稀有事件的准确概率预测

    本研究提出了一种多阶段学习框架以解决罕见事件的数据不平衡问题，并且成功开发了一种在评估智能系统安全性方面具有更高精确度和可靠性的关键性预测模型。

    Mar, 2024

  • 利用分离表示学习进行罕见事件检测

    本文提出了一种用于稀有事件检测的新方法，通过类不平衡数据集中图像对进行训练以分离表示，从而有效地检测出来自卫星图像上的建筑变化等稀有事件。

    Dec, 2018