AbstractIn activity recognition, on

Abstract

In activity recognition, one major challenge is how to reduce the labeling effort one needs to make when recognizing a new set of activities. In this paper, we analyze the possibility of transferring knowledge from the available labeled data on a set of existing activities in one domain to help recognize the activities in another different but related domain. We found that such a knowledge transfer process is possible, provided that the recognized activities from the two domains are related in some way. We develop a bridge between the activities in two domains by learning a similarity function via Web search, under the condition that the sensor readings are from the same feature space. Based on the learned similarity measure, our algorithm interprets the data from the source domain as “pseudo training data” in the target domain with different confidence levels, which are in turn fed into supervised learning algorithms for training the classifier. We show that after using this transfer learning approach, the performance of activity recognition in the new domain is increased several fold as compared to when no knowledge transfer is done. Our algorithm is evaluated on several real-world datasets to demonstrate its effectiveness. In the experiments, our algorithm could achieve a 60% accuracy most of the time with no or very few training data in the target domain, which easily outperforms the supervised learning methods.

ผลลัพธ์ (ไทย) 1:

นามธรรม

ในการรับรู้กิจกรรมหนึ่งความท้าทายที่สำคัญคือวิธีการลดความพยายามในการติดฉลากหนึ่งต้องทำเมื่อตระหนักถึงชุดใหม่ของกิจกรรม ในบทความนี้เราจะวิเคราะห์ความเป็นไปได้ของการถ่ายโอนความรู้จากข้อมูลที่มีข้อความที่มีอยู่บนชุดของกิจกรรมที่มีอยู่ในโดเมนหนึ่งที่จะช่วยให้ตระหนักถึงกิจกรรมในโดเมนที่แตกต่างกัน แต่ที่เกี่ยวข้องอีกเราพบว่าดังกล่าวเป็นกระบวนการถ่ายทอดความรู้ที่เป็นไปได้โดยมีเงื่อนไขว่ากิจกรรมที่ได้รับการยอมรับจากทั้งสองโดเมนที่มีความสัมพันธ์กันในทางใดทางหนึ่ง เราพัฒนาสะพานเชื่อมระหว่างกิจกรรมในสองโดเมนโดยการเรียนรู้ฟังก์ชั่นที่คล้ายคลึงกันผ่านทางเว็บค้นหาภายใต้เงื่อนไขที่ว่าเซนเซอร์อ่านมาจากพื้นที่ที่มีคุณลักษณะเดียวกัน ขึ้นอยู่กับตัวชี้วัดความคล้ายคลึงกันเรียนรู้อัลกอริทึมของเราตีความข้อมูลจากโดเมนต้นทางเป็น "ข้อมูลการฝึกอบรมหลอก" ในโดเมนเป้าหมายที่มีระดับความเชื่อมั่นที่แตกต่างกันซึ่งในทางกลับกันกินเข้าไปในขั้นตอนวิธีการเรียนรู้ในการฝึกอบรมภายใต้การดูแลลักษณนาม เราแสดงให้เห็นว่าหลังจากที่ใช้วิธีนี้การเรียนรู้การถ่ายโอน,ประสิทธิภาพของการรับรู้กิจกรรมในโดเมนใหม่ที่เพิ่มขึ้นหลายเท่าเมื่อเทียบกับเมื่อการถ่ายโอนความรู้จะทำ อัลกอริทึมของเราคือการประเมินชุดข้อมูลโลกแห่งความจริงหลายอย่างเพื่อแสดงให้เห็นถึงประสิทธิภาพ ในการทดลองขั้นตอนวิธีการของเราสามารถบรรลุความถูกต้อง 60% ส่วนใหญ่ของเวลาที่ไม่มีหรือน้อยมากที่ข้อมูลการฝึกอบรมในโดเมนเป้าหมายที่ง่ายมีประสิทธิภาพดีกว่าวิธีการเรียนรู้ภายใต้การดูแล

ผลลัพธ์ (ไทย) 2:

นามธรรม

ในการรับรู้ กิจกรรมความท้าทายหลักที่หนึ่งเป็นวิธีการลดความพยายามการติดฉลากที่ต้องทำการจดจำชุดของกิจกรรมใหม่ ในเอกสารนี้ เราวิเคราะห์ความเป็นไปได้ของการถ่ายโอนความรู้จากป้ายข้อมูลชุดของกิจกรรมที่มีอยู่ในโดเมนหนึ่งจะช่วยให้รู้จักกิจกรรมในโดเมนที่แตกต่างกัน แต่ที่เกี่ยวข้องอื่น เราพบว่า กระบวนดังกล่าวเป็นความรู้การถ่ายโอนเป็นไปได้ โดยที่กิจกรรมที่ยอมรับจากโดเมนสองจะเกี่ยวข้องในบางวิธี เราพัฒนาสะพานระหว่างกิจกรรมในโดเมนที่สองโดยเรียนรู้ฟังก์ชันคล้ายผ่านค้นหาเว็บ ภายใต้เงื่อนไขที่อ่านเซนเซอร์จากพื้นที่ลักษณะเดียวกัน ตามวัดคล้ายเรียนรู้ อัลกอริทึมของเราแปลข้อมูลจากโดเมนของแหล่งที่มาเป็น "หลอกข้อมูลการฝึกอบรม" ในโดเมนเป้าหมายมีระดับความเชื่อมั่นแตกต่างกัน ซึ่งจะใช้เลี้ยงเป็นแบบมีผู้สอนเรียนสำหรับฝึกการ classifier เราแสดงว่าหลังจากใช้การโอนย้ายนี้เรียนรู้วิธีการ เพิ่มประสิทธิภาพของการรับรู้กิจกรรมในโดเมนใหม่หลายพับเมื่อเทียบกับเมื่อโอนย้ายไม่รู้จะทำ อัลกอริทึมของเราจะถูกประเมินในหลาย datasets จริงแสดงให้เห็นถึงประสิทธิผลของ ในทดลอง อัลกอริทึมของเราสามารถให้ความถูกต้องแม่นยำ 60% ส่วนใหญ่แล้วไม่มี หรือน้อยมากข้อมูลการฝึกอบรมในโดเมนเป้าหมาย ง่าย ๆ ที่ outperforms วิธีการเรียนรู้มี

ผลลัพธ์ (ไทย) 3:

เป็น นามธรรม

ในการยอมรับการทำงานของหนึ่งความท้าทายที่สำคัญคือการลดความพยายามป้ายหนึ่งความต้องการเพื่อทำให้การรับรู้เมื่อตั้งค่าใหม่ของกิจกรรม ในเอกสารนี้เราวิเคราะห์ความเป็นไปได้ของการถ่ายโอนความรู้จากข้อมูลระบุว่ามีอยู่ในชุดของกิจกรรมที่มีอยู่ในหนึ่งโดเมนไปยังช่วยให้รู้จักกิจกรรมในโดเมนที่แตกต่างแต่อื่นที่เกี่ยวข้องเราพบว่ากระบวนการในการโอนข้อมูลความรู้ที่เป็นไปได้โดยมีเงื่อนไขว่ากิจกรรมต่างๆที่ได้รับการยอมรับจากโดเมนที่มีความเกี่ยวข้องกับในทางใดก็ทางหนึ่ง เราพัฒนาสะพานระหว่างกิจกรรมที่สองในโดเมนโดยการเรียนรู้ฟังก์ชันความเหมือนที่ผ่านการค้นหาเว็บตาม สภาพ ที่ที่อ่านได้จากเซนเซอร์ที่มีพื้นที่โดดเด่นไปด้วยเหมือนกัน ซึ่งใช้ในการวัดความเหมือนความรู้อัลกอริธึมของเราแปลความหมายข้อมูลออกจากโดเมนที่มาเป็น"ข้อมูลการฝึกอบรมจอมปลอม"ในโดเมนเป้าหมายที่มีระดับความเชื่อมั่นที่แตกต่างกันอยู่ในการเข้าในอัลกอริธึมการเรียนรู้มีการตรวจสอบสำหรับการฝึกอบรมลักษณนามได้ เราจะแสดงให้เห็นว่าหลังการใช้แนวทางการเรียนรู้การโอนนี้ประสิทธิภาพ การทำงานของการยอมรับการทำงานในโดเมนใหม่ที่จะเพิ่มขึ้นหลายเท่าตัวเมื่อเทียบกับเมื่อไม่มีการโอนความรู้ทำได้ อัลกอริธึมของเราได้รับการประเมินใน datasets แบบเรียลไทม์หลายระดับโลกเพื่อแสดงให้เห็นถึง ประสิทธิภาพ ของ ในการทดลองที่อัลกอริธึมของเราจะได้รับความแม่นยำมากที่สุด 60% ของเวลาที่ไม่มีข้อมูลการฝึกอบรมเป็นอย่างมากหรือเพียงไม่กี่กลุ่มเป้าหมายในโดเมนได้ซึ่งได้อย่างง่ายดายมีวิธีใดวิธีหนึ่งการเรียนรู้มีการตรวจสอบได้