A two-phase hybrid clustering framework exploring transitional activities in HAR
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Human Activity Recognition (HAR) using data streams from wearable sensors is challenging due to high data dimensionality, noise, and the lack of labeled data in unsupervised settings. Our prior work proved that traditional clustering models, which achieve state-of-the-art performance on simulated datasets, perform poorly on time-series numeric sensor data. This paper explores different autoencoder (AE) architectures to extract latent features with reduced dimensionality from streaming HAR datasets, which is then clustered using a clustering model to identify different activity patterns. Since the vanilla AE has shortcomings in learning distinguishing data patterns from spatio temporal time-series sensor data, we leverage the vanilla AE with convolutional, long-short term memory (LSTM), and a combination of convolutional and LSTM layers in multiple design phases. We apply supervised learning to train a superior spatio-temporal feature extraction AE model. Using the data features extracted by the trained AE, we train a clustering model with unsupervised learning approach. Our end-to-end integrated hybrid convolutional AE+LSTM feature extractor and K-Means clustering model achieves state-of-the-art clustering accuracy of up to 0.99 in terms of Normalized Mutual Information (NMI) and Adjusted Rand Index (ARI) scores for MobiAct and UCI HAR datasets, improving clustering performance by over 50% compared to previous methods. Further improvements are achieved through rigorous experimentation and advanced data preprocessing methods. We also present a visualization of the clusters, which explains the transitional activity patterns in the overlapping parts of the clusters.
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.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle