VaCDA: Variational Contrastive Alignment-based Scalable Human Activity Recognition
Dieses Paper schlägt VaCDA vor, ein Multi-Source-Domain-Adaption-Framework, das Variational Autoencoder und kontrastives Lernen integriert, um einen gemeinsamen latenten Raum zu erlernen, wodurch Datenheterogenität effektiv adressiert und die menschliche Aktivitätserkennung über verschiedene Geräte, Positionen und Nutzer hinweg verbessert wird.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie versuchen, einem Roboter beizubringen, menschliche Aktivitäten wie Gehen, Laufen oder Sitzen zu erkennen. Sie haben viele Daten von Menschen, die Smartwatches an ihren Handgelenken tragen, aber Sie möchten, dass der Roboter auch für Menschen funktioniert, die Sensoren an den Knöcheln tragen, oder für Menschen, die ein anderes Markenhandy benutzen.
Das Problem ist, dass die Daten je nach Ort des Geräts, der Person, die es trägt, oder dem Gerät selbst sehr unterschiedlich aussehen. Es ist, als würde man versuchen, einem Koch beizubringen, ein „Hähnchengericht“ zu erkennen, indem man ihm nur Bilder von Brathähnchen zeigt, ihn dann aber bittet, ein gebratenes, gegrilltes Hähnchen oder eine Hühnersuppe zu identifizieren. Die Zutaten sind dieselben, aber die Präsentation ist völlig unterschiedlich. Dies nennt man „Domain Shift“ (Domänenverschiebung), und es führt normalerweise dazu, dass der Roboter verwirrt wird.
Die Autoren dieser Arbeit, Soham Khisa und Avijoy Chakma, haben ein neues System namens VaCDA entwickelt, um dieses Problem zu lösen. So funktioniert es, unter Verwendung einfacher Analogien:
1. Das Problem: Das „unordentliche Zimmer“
Stellen Sie sich mehrere Räume (Datensätze) vor, die mit Spielzeug (Aktivitätsdaten) gefüllt sind.
- Raum A hat Spielzeug, das auf dem Boden verstreut liegt.
- Raum B hat dasselbe Spielzeug ordentlich in Regalen gestapelt.
- Raum C hat das Spielzeug, das in Wasser schwimmt.
Wenn Sie einen Roboter darauf trainieren, einen „Ball“ nur in Raum A zu finden, wird er in Raum B oder C kläglich scheitern. Traditionelle Methoden versuchen, die Räume exakt gleich aussehen zu lassen, aber das ist schwierig, wenn die Räume so unterschiedlich sind.
2. Die Lösung: Der „Universelle Übersetzer“ (VAE)
Der erste Teil ihrer Lösung ist ein Variational Autoencoder (VAE). Denken Sie an diesen als einen superintelligenten Übersetzer oder eine „Komprimierungsmaschine“.
- Anstatt zu versuchen, den unordentlichen Boden wie das ordentliche Regal aussehen zu lassen, nimmt der VAE all das verschiedene Spielzeug aus allen verschiedenen Räumen und übersetzt es in eine einzelne, universelle Sprache (einen „Latent Space“).
- In dieser universellen Sprache ist ein „Ball“ einfach ein „Ball“, unabhängig davon, ob er auf dem Boden, im Regal oder im Wasser lag.
- Dies ermöglicht es dem System, das Rauschen (wie das spezifische Gerät oder die Körperposition) zu ignorieren und sich auf die Kernform der Aktivität zu konzentrieren.
3. Die Verfeinerung: Das „Finde den Unterschied“-Spiel (Contrastive Learning)
Es besteht das Risiko, dass der Übersetzer zu gut darin wird, zu generalisieren. Er könnte entscheiden, dass ein „Ball“ und ein „Würfel“ dasselbe sind, weil beide rundlich sind.
Um dies zu beheben, fügten die Autoren Contrastive Learning hinzu. Stellen Sie sich ein Spiel wie „Finde den Unterschied“ oder einen strengen Lehrer vor:
- Positive Paare: Der Lehrer zeigt dem Roboter zwei Bilder derselben Aktivität (z. B. zwei verschiedene Menschen beim Gehen) und sagt: „Diese sind gleich! Halte sie in deinem Geist nah beieinander.“
- Negative Paare: Der Lehrer zeigt ein Bild vom Gehen und ein Bild vom Laufen und sagt: „Diese sind völlig unterschiedlich! Dränge sie in deinem Geist weit auseinander.“
Durch die Kombination des Übersetzers (VAE) mit dem strengen Lehrer (Contrastive Learning) lernt das System, ähnliche Aktivitäten zusammenzugruppieren und gleichzeitig unterschiedliche Aktivitäten voneinander zu trennen, selbst wenn sie von verschiedenen Geräten oder Personen stammen.
4. Das Ergebnis: Ein skalierbarer Teamplayer
Die meisten alten Systeme konnten nur aus einer Quelle lernen (z. B. den Daten einer Person), um einer anderen zu helfen. VaCDA ist besonders, weil es skalierbar ist.
- Stellen Sie sich vor, Sie versuchen eine neue Sprache zu lernen. Alte Methoden erlauben es Ihnen vielleicht, mit einem einzelnen Muttersprachler zu sprechen.
- VaCDA lässt Sie zehn verschiedenen Muttersprachlern gleichzeitig zuhören, die alle verschiedene Dialekte sprechen, und es findet die gemeinsamen Grammatikregeln heraus, die für alle gelten.
Was haben sie herausgefunden?
Die Autoren testeten dieses System mit vier realen Datensätzen, die Smartwatches, Smartphones und unterschiedliche Körperpositionen beinhalteten.
- Cross-Position (Positionswechsel): Beim Wechsel eines Sensors vom Handgelenk zum Knöchel war VaCDA bei der Erkennung von Aktivitäten wesentlich besser als bisherige Methoden.
- Cross-Device (Gerätewechsel): Beim Wechsel von einem Smartphone zu einer Smartwatch schnitt VaCDA am besten ab.
- Cross-Person (Personenwechsel): Beim Versuch, sich an eine neue Person anzupassen, war es sehr erfolgreich, lag jedoch in einigen spezifischen Fällen leicht hinter der besten bestehenden Methode zurück.
Kurz gesagt: VaCDA ist eine neue Art, Computer das Verständnis menschlicher Bewegungen beizubringen, indem es ungeordnete, unterschiedliche Daten in eine gemeinsame Sprache übersetzt und dann ein „Finde den Unterschied“-Spiel nutzt, um sicherzustellen, dass das System nicht verwirrt wird. Es funktioniert besser als ältere Methoden, wenn die Daten von verschiedenen Orten, Menschen oder Geräten stammen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.