Core Concepts
モバイルセンシングデータの分布シフトを考慮し、マルチブランチの敵対的学習手法M3BATを提案することで、様々な環境や個人への適応性を向上させる。
Abstract
本研究では、モバイルセンシングデータを用いた教師なし領域適応手法について検討している。
まず、2つのモバイルセンシングデータセットWENETとWEEEを分析し、モダリティや特徴量レベルでの分布シフトの動態を明らかにした。この分析結果に基づき、マルチブランチの敵対的学習手法M3BATを提案した。
M3BATでは、モダリティや特徴量の分布シフトの程度に応じて、異なる重み付けを行うことで、より効果的な領域適応を実現する。
実験の結果、M3BATは分類タスクでAUCが最大12%向上し、回帰タスクでMAEが最大0.13減少するなど、従来手法と比べて優れた性能を示した。これは、モバイルセンシングデータの多様性を考慮した領域適応手法の有効性を示すものである。
Stats
モバイルセンシングデータにおける分布シフトの程度は、モダリティや特徴量によって大きく異なる。
例えば、WENETデータセットでは、活動量やスクリーンイベントのデータはイタリアとインドの間で小さな差異しか見られないが、WiFiやステップ数のデータには大きな差異がある。
Quotes
「モバイルセンシングデータの分布シフトを考慮し、マルチブランチの敵対的学習手法M3BATを提案することで、様々な環境や個人への適応性を向上させる」
「M3BATは分類タスクでAUCが最大12%向上し、回帰タスクでMAEが最大0.13減少するなど、従来手法と比べて優れた性能を示した」