ALOHA: Leveraging Additional Information to Learn Robust Representations for Human Activity Recognition
Notice bibliographique
Résumé
Human Activity Recognition using wearable sensors has applications in health monitoring, entertainment, and industrial settings. However, the performance of Human Activity Recognition models in real-life settings is usually lower than in laboratory settings due to the reduced quantity and quality of the sensors available in the former. Here, we propose using a suitable shared representation space to incorporate the information of additional sensors available during training time to address these limitations. We evaluate two representation spaces: one created using Feature Agglomeration and the other using Uniform Manifold Approximation and Projection (UMAP) under three conditions to evaluate their performance and robustness to noise: clean data, Gaussian noise, and Magnitude Warping noise using three datasets: Opportunity, Cooking, and PAMAP2. Our results consistently show that the representation spaces enhances performance relative to the conventional single-sensor method. The UMAP approach outperforms Feature Agglomeration, achieving up to a $14 \%$ improvement in the F1-Score metric when using clean data. In the presence of Gaussian noise, the UMAP representation space not only improves classification performance but also exhibits resilience to noise in the Opportunity and PAMAP2 datasets. While the UMAP method exhibits lower robustness to noise in the Cooking dataset, it still achieves the highest performance. When experimenting with Magnitude Warping noise, the UMAP representation space shows varying levels of robustness across datasets but still enhances performance to some extent. Using shared representations, we leverage the higher number and quality of sensors available in laboratory settings for training HAR models, while releasing the usual requirement of using the same number of sensors at the final deployment.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».