Centrala begrepp
時系列データにおける時間関係知識を活用したクロスユーザーの活動認識において、CVAE-USMが他の最先端手法を上回ることを示す。
Sammanfattning
人間の活動認識(HAR)における問題点:トレーニングとテストデータが異なる分布から来るクロスユーザーのシナリオでi.i.d.仮定が失敗する。
CVAE-USMアプローチ:時系列データにおける時間関係を考慮し、異なるユーザー間でデータ分布を整合させる。
実験結果:CVAE-USMはOPPTとPAMAP2の公開HARデータセットで他の手法よりも優れた性能を示す。
関連研究:静的データへのドメイン適応方法から、時系列データへの拡張が必要。
Statistik
CVAE-USMはほかの手法よりも高い精度を実現しています。
OPPTデータセットではCVAE-USMが100%近い精度を達成しています。
PAMAP2データセットでもCVAE-USMは70%以上の精度を維持しています。
Citat
"Transfer learning, specifically domain adaptation, is a method that addresses this data heterogeneity issue."
"Our results demonstrate that CVAE-USM outperforms existing state-of-the-art methods."
"CVAE-USM effectively leverages temporal data, contributing significantly to its superior accuracy."