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

本文介绍两种基于卷积神经网络的半监督学习方法，用于加强原有的分类器对未标记的数据的识别，通过实验，表明我们的 CNN 在活动识别领域中的性能优于有监督学习方法和传统的半监督学习方法，Fm 得分甚至可以提高 18%。

Jan, 2018

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

SelfAct 是一种新颖的人类活动识别框架，结合了自监督和主动学习，通过利用大量未标记的数据进行预训练，学习传感器数据的高效表示，并通过新的无监督主动学习策略进行微调，其结果接近或优于完全监督方法的结果。

Apr, 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

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

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

本研究提出了一种名为 Semantic-Discriminative Mixup（SDMix）的新方法，用于泛化跨域 HAR，自动消除域差异，大幅提高了识别率。

Jun, 2022

为了改进基于可穿戴传感器的人体活动识别，本文提出了一种从 3D 骨架姿势序列中直接生成传感器数据的姿势到传感器网络模型，并同时训练姿势到传感器网络和人体活动分类器，通过优化数据重构和活动识别来改进性能。实验结果表明该框架优于基线方法，并在 MM-Fit 数据集上取得了显著的性能提升。

Apr, 2024

基于可穿戴式设备的人体活动识别是以人为中心的机器学习中的关键任务之一，该研究探索了采用和调整 CaSSLe 和 Kaizen 模型的方案来实现可穿戴式设备的人体活动识别，并研究了不同损失项之间的平衡与知识保留的权衡。

Jan, 2024