Core Concepts
Deep Temporal State Domain Adaptation(DTSDA)モデルは、時間系列ドメイン適応に特化し、クロスユーザーの活動認識において優れたパフォーマンスを発揮します。
Abstract
ヒューマンアクティビティ認識(HAR)は普及型コンピューティングの基盤であり、健康モニタリングや環境支援生活など多岐にわたる分野で有望な応用が期待されています。
センサーデータに基づくHAR手法は、トレーニングとテストデータが同一の分布から抽出されるという前提の下で動作することが一般的ですが、実際のシナリオではこの前提が成り立たない場合があります。
DTSDAは、時間関係知識を利用してクロスユーザーHARタスク向けに設計された新しい手法であり、他の従来手法よりも優れた性能を示します。
Related Work
伝統的なドメイン適応方法や深層学習技術を使用した既存研究と比較して、DTSDAは時間系列データに特化した効果的な手法であることが示唆されています。
Deep Temporal State Domain Adaptation Method Overview
DTSDAは3つの要素から構成されており、細かい時間関係特徴抽出、ユーザー不変時系列状態抽出、クロスユーザー活動分類を行います。
各要素は相互補完的であり、異なるユーザー間の変動性を取り扱うために時間関係情報を利用しています。
Experimental Results
OPPTデータセットではDTSDAが最も優れた結果を示しました。PAMAP2およびDSADSデータセットでも高い精度を達成しました。
DSADSデータセットでは全体的に低い精度が観察されましたが、DTSDAとTrCが他の方法よりも良好な結果を示しました。
Stats
DTSDAは99.65%の平均精度を達成しました。
TrCは82.78%の平均精度を持ちます。
SA, OTDA, CORAL, SOT, DANNはOPPTデータセットで79.77%〜82.69%の範囲内で中程度の精度を示しました。
Quotes
"DTSDA outperformed all other methods by a significant margin."
"TrC excels particularly in specific transfers."
"SA and CORAL remain consistently lower than the other methods."