利用时间戳监督的联合活动分割和识别方法，通过估计原型、生成样本级伪标签以及最优运输理论，以改善人类活动识别和时间序列分割问题。

Oct, 2023

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

通过提出一种作为生成模型的多变量周期 Hawkes 过程模型，该模型可以捕捉人类活动的时间聚类、相互依赖结构和相互兴奋以及一周内时间周期效应。我们将这个模型应用于大规模信用卡交易数据集，并证明 MPHP 在交互事件时间分布和活动预测任务的统计适合度上超过非齐次泊松模型和 LDA。

May, 2020

通过 Hawkes 过程建立了异步离散事件的环境动力学模型，并开发了一种基于模型的强化学习算法，用于解决社交媒体、金融和健康信息学中广泛存在的顺序决策问题。

Jan, 2022

本文开发了一种基于个性化、多变量时间点过程的新型统计模型，用于对移动健康应用中的人类行为建模，以得出未来用户行为及其时机的准确预测。

Feb, 2018

在没有隐私和可访问性问题的智能空间中，基于部署的普适传感器生成的数据流被利用来实现一种高效的群体活动识别方案，该方案从一组用户生成的普适传感器事件序列中提取因果模式，以支持与最先进的图形模型相似的识别准确性。

Dec, 2023

提出了一种新的基于高斯过程半马尔可夫模型的工人行为模式提取方法，不需要预先训练，能够自动准确地将连续运动划分为不同的运动类别，并与隐马尔可夫模型进行参数互推，以实现准确的运动模式提取。该方法在实际生产现场的工人装配产品的运动数据上进行了验证，其运动模式的提取精度通过归一化的 Levenshtein 距离（NLD）评估，与基准方法相比，该方法的 GP-HSMM 和 HSMM 层提取的模式 NLD 分别为 0.50 和 0.33，是最小的。

May, 2024

通过对三维空间内由佩戴式加速度计测量的加速度数据的多维时间序列进行分割，本文分析了活动识别的问题，并提出了一种特定的统计潜在过程模型进行自动时段分割，该模型通过隐藏的离散逻辑过程来控制随时间而变换的多个活动。最终结果表明，本文提出的方法在完全无监督的情况下运作，并且不需要特征提取预处理步骤，其性能非常有竞争力。

Dec, 2013

使用非监督学习方法，结合非参数贝叶斯方法和全局连续的时间建模，发现视频数据中的活动模式并检测异常，此方法比现有的方法更加完善和精确。

Oct, 2018

ProActive 是一个神经标记的时间点过程（MTPP）框架，用于对活动序列中的动作进行连续时间建模，同时解决了下一个动作预测、序列目标预测和端到端序列生成三个高影响问题。

Jul, 2023