Core Concepts
센서 기반 인간 활동 인식에서 데이터 이질성 문제를 해결하기 위한 다양한 기계 학습 기술을 소개하고 분석한다.
Abstract
이 논문은 센서 기반 인간 활동 인식에서 발생하는 데이터 이질성 문제를 해결하기 위한 기계 학습 기술을 소개하고 분석한다.
데이터 이질성의 유형을 모달리티 이질성, 스트리밍 데이터 이질성, 사용자 데이터 이질성, 공간 데이터 이질성으로 구분하고, 각 유형에 적합한 기계 학습 기술을 살펴본다.
모달리티 이질성 해결을 위해 모달리티 융합과 크로스 모달리티 기술을 소개한다. 스트리밍 데이터 이질성 해결을 위해 개념 drift, 개념 진화, 오픈셋 인식 기술을 다룬다. 사용자 데이터 이질성 해결을 위해 연합 학습과 다중 과제 학습 기술을 설명한다. 공간 데이터 이질성 해결을 위해 다중 뷰 학습과 도메인 일반화 기술을 제시한다.
각 기술의 장단점과 적용 가능한 활동 유형을 비교 분석한다. 또한 센서 기반 인간 활동 인식을 위한 공개 데이터셋도 소개한다.
Stats
"다양한 사람들은 나이, 체중, 키 등의 차이로 인해 다른 걸음 패턴을 보인다."
"실제 상황은 실험 환경과 다르며, 이로 인해 훈련된 모델의 성능이 크게 저하된다."
"데이터 이질성은 임베디드 및 IoT 센서에서 일반적으로 발생하며, 수집된 데이터셋은 균일하지 않은 분포를 가진다."
Quotes
"데이터 이질성을 해결할 수 있는 능력은 계산 비용을 줄이고 주석이 달린 데이터가 적은 상황에서도 개인화되고 적응형 모델을 개발하는 데 도움이 될 수 있다."
"데이터 이질성 문제를 해결하면 활동 모델 성능을 향상시키고, 계산 비용을 줄이며, 주석이 달린 데이터가 적은 상황에서도 개인화되고 적응형 모델을 구축할 수 있다."