抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
ウェアラブルセンサは,様々な応用に対する興味のある活動とイベントを同定する大きな機会を提供する。しかし,現在のシステムの主要な限界は,特定のセンサで訓練された機械学習アルゴリズムが,新しいセンサを追加するようなシステムの構成の変化により再訓練されることである。本論文では,既存のセンサにより検出可能な活動と観測を同定するために,新しいセンサに対する機械学習アルゴリズムをシームレスに訓練することを目的とした。既知のウェアラブルセンサから新しいセンサへの訓練アルゴリズムを拡張するためのドメイン適応法を作成し,機械学習アルゴリズムの手動訓練の必要性を除去した。具体的には,提案したアプローチは,新しいセンサに関するかなりの量のデータを捕捉する必要性を排除する。人間活動認識のための確率的特徴の概念を提案し,特徴の事後分布を近似するための深いニューラルネットワークの新しいアーキテクチャを設計した。この近似は,新しいセンサの特徴空間を,新しいセンサからの制限された無標識のデータを用いてアラインメントし,以前に定義された分類器を新しいセンサで用いることができる。実験結果は,(i)確率的特徴が,決定論的特徴(ii)に基づく典型的畳込みニューラルネットワークと比較して,付加雑音に対してよりロバストであることを示した。このフレームワークは,最先端のドメイン適応アルゴリズムより優れている。また,新しいセンサに対するスクラッチからのモデルを訓練するのと比較して,制限された非標識訓練データを持つ新しいセンサを訓練するとき,それは10%の改善を達成することができる。Copyright 2019 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】