Auto-Augmentation Contrastive Learning for Wearable-based Human Activity Recognition
تقترح هذه الورقة AutoCL، وهو إطار عمل للتعلم التبايني للتعزيز التلقائي من طرف إلى طرف يستخدم شبكة سيامية مع مولد مدمج واستراتيجيات تدريب متخصصة لتعلم تعزيزات البيانات المثلى تلقائياً، مما يؤدي إلى تحسين دقة التعرف على الأنشطة البشرية القائمة على الأجهزة القابلة للارتداء بشكل كبير دون الاعتماد على تصميم تعزيز يدوي.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أنك تحاول تعليم روبوت التعرف على الأنشطة البشرية — مثل المشي، أو الجري، أو صعود الدرج — باستخدام البيانات من ساعة ذكية أو جهاز تتبع لياقة بدنية فقط. يُسمى هذا التعرف على النشاط البشري (HAR).
المشكلة هي أن البيانات الواردة من هذه الساعات "مشوشة" ولا تحتوي على صور أو كلمات واضحة مرفقة بها. إنها مجرد أرقام خام. لتعليم الروبوت، نحتاج عادةً إلى إنسان يجلس هناك ويقوم بتصنيف آلاف الساعات من البيانات ("هذا مشي"، "هذا جلوس"). هذه العملية بطيئة، ومكلفة، ومملة.
لحل هذه المشكلة، يستخدم الباحثون تقنية تسمى التعلم التبايني (Contrastive Learning). فكر في الأمر كأنها لعبة "أوجد الفروق". أنت تعرض للروبوت نسختين مختلفتين قليلاً من نفس النشاط (على سبيل المثال، إشارة مشي مع إضافة القليل من الضجيج الساكن، وإشارة المشي الأصلية)؛ ومهمة الروبوت هي أن يدرك: "مهلاً، هذان هما نفس النشاط!" ويتعلم ما يجعلهما متشابهين.
المشكلة القديمة: عنق زجاجة "التعزيز اليدوي"
في الماضي، لإنشاء هذه "النسخ المختلفة" للعبة، كان على البشر تحديد كيفية العبث بالبيانات يدوياً. كانوا يقولون: "لنضف بعض الضجيج هنا"، أو "لنقلب الإشارة رأساً على عقب".
لكن هنا تكمن المشكلة: ما قد ينجح مع نشاط واحد قد يفسد نشاطاً آخر. تماماً كما لا يمكنك استخدام نفس التوابل لطهي قطعة لحم وسلامة (سلطة)؛ فإن "أفضل" طريقة للعبث بإشارة الجري تختلف عن إشارة النوم. كان على البشر التخمين والاختبار لمجموعات مختلفة من التغييرات لكل مجموعة بيانات جديدة، مما شكل عبئاً كبيراً وغالباً لم يكن يعمل بشكل جيد في جميع الحالات.
الحل الجديد: AutoCL (الطاهي الذي يعلم نفسه بنفسه)
يقدم البحث طريقة جديدة تسمى AutoCL (التعلم التبايني للتعزيز التلقائي). بدلاً من أن يقوم طاهٍ بشري بتخمين التوابل التي يجب إضافتها، فإن AutoCL يشبه طاهياً يعلم نفسه بنفسه، حيث يتعلم كيف "يتبّل" البيانات بنفسه.
إليك كيف يعمل، باستخدام تشبيهات بسيطة:
- المولد الذكي (الطاهي):
بدلاً من تغذية الروبوت ببيانات مستشعرات خام وفوضوية، ينظر النظام أولاً إلى "جوهر" أو "نكهة" البيانات (التي تسمى تمثيلات الميزات - feature embeddings). إنه يتجاهل ضجيج الخلفية ويركز على النمط الأساسي.
- التشبيه: تخيل أنك تحاول التعرف على أغنية. بدلاً من الاستماع إلى التسجيل الصاخب بالكامل، تقوم أولاً بدندنة اللحن الرئيسي. "الطاهي" (وهو جزء خاص من الذكاء الاصطناعي) ينظر إلى ذلك اللحن ويقرر: "حسناً، لجعل نسخة تدريبية جيدة من هذه الأغنية، يجب أن أسرعها قليلاً"، أو "يجب أن أعكس الإيقاع". إنه ينشئ نسخة جديدة تلقائياً.
- التوائم السيامية (التوائم):
يستخدم النظام "شبكة سيامية" (Siamese Network)، وهي تشبه امتلاك توأمين متطابقين.
- التوأم (أ) ينظر إلى النشاط الأصلي.
- التوأم (ب) ينظر إلى النسخة الجديدة التي أنشأها "الطاهي" تلقائياً.
ويجبر النظام التوأمين على الاتفاق على أنهما ينظران إلى نفس النشاط. إذا اتفقا، يتعلم النظام.
- خدعة "إيقاف التدرج" (العصابة):
أحد أكبر المخاطر هو أن يصبح "الطاهي" كسولاً ويقوم بنسخ الأغنية الأصلية تماماً. إذا كانت النسخة الجديدة مطابقة تماماً للقديمة، فلن يتعلم التوأمان أي شيء جديد.
- لمنع ذلك، يستخدم الباحثون تصميم "إيقاف التدرج" (Stop-Gradient). إنه يشبه وضع عصابة على عين أحد التوأمين أثناء عملية التعلم؛ حيث لا يستطيع "الطاهي" رؤية التفاصيل الدقيقة للبيانات الأصلية أثناء صنع النسخة الجديدة، بل عليه الاعتماد على "الجوهر" الذي تعلمه سابقاً. هذا يجبر النظام على تعلم المعنى الحقيقي للنشاط، وليس مجرد حفظ الضجيج.
- "تقليل الارتباط" (نادي التنوع):
يضع النظام أيضاً قاعدة: "لا تجعل النسخة الجديدة مشابهة جداً للقديمة". فهو يحاول بنشاط جعل النسختين مختلفتين بما يكفي لتشكيل تحدٍ، ولكن متشابهتين بما يكفي ليكونتا من نفس النشاط. هذا يضمن أن يتعلم الروبوت ميزات قوية، وليس مجرد تخمينات محظوظة.
النتائج: لماذا يهم هذا؟
اختبر الباحثون هذا "الطاهي الذي يعلم نفسه بنفسه" على أربع مجموعات بيانات مختلفة من العالم الحقيقي (مثل PAMAP2 و UCIHAR).
- الطريقة القديمة: كان على البشر تجربة تركيبات مختلفة من الحيل اليدوية (الضجيج، القلب، القياس) لمعرفة ما يعمل بشكل أفضل. أحياناً كانت تنجح، وأحياناً لا.
- طريقة AutoCL: اكتشف النظام أفضل طريقة لـ "العبث" بالبيانات من تلقاء نفسه، دون مساعدة بشرية.
النتيجة: تفوق AutoCL على أفضل الطرق الموجودة في كل اختبار تقريباً. لقد تعرّف على الأنشطة بدقة أكبر، حتى عندما كان هناك القليل جداً من البيانات المصنفة للبدء بها.
الخلاصة
يظهر هذا البحث أننا لم نعد بحاجة إلى بشر يخمنون يدوياً كيفية تعديل بيانات المستشعرات. من خلال السماح للذكاء الاصطناعي بتعلم كيفية إنشاء أمثلة تدريب خاصة به بناءً على أنماط البيانات نفسها، يمكننا بناء أنظمة تعرف على النشاط أكثر ذكاءً ومرونة، تعمل بشكل أفضل وتتطلب جهداً بشرياً أقل. إنه يشبه الانتقال من طالب يحفظ الكتاب المدرسي إلى طالب يتعلم كيف يكتب الكتاب المدرسي بنفسه.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.