🤖 machine learning

VaCDA: Variational Contrastive Alignment-based Scalable Human Activity Recognition

Este artículo propone VaCDA, un marco de adaptación de dominio de múltiples fuentes que integra autoencoders variacionales y aprendizaje contrastivo para aprender un espacio latente compartido, abordando eficazmente la heterogeneidad de los datos y mejorando el reconocimiento de la actividad humana a través de diversos dispositivos, posiciones y usuarios.

Autores originales: Soham Khisa, Avijoy Chakma

Publicado 2026-06-15

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Soham Khisa, Avijoy Chakma

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás intentando enseñarle a un robot a reconocer actividades humanas como caminar, correr o sentarse. Tienes muchos datos de personas que usan relojes inteligentes en sus muñecas, pero quieres que el robot funcione para personas que usan sensores en los tobillos, o para personas que usan una marca de teléfono diferente.

El problema es que los datos se ven muy diferentes dependiendo de dónde esté el dispositivo, quién lo lleve puesto o qué dispositivo esté usando. Es como intentar enseñarle a un chef a reconocer un "plato de pollo" mostrándole solo fotos de pollo frito, pero luego pedirle que identifique un pollo asado, un pollo a la parrilla y una sopa de pollo. Los ingredientes son los mismos, pero la presentación es totalmente diferente. Esto se llama "desplazamiento de dominio" (domain shift), y suele confundir al robot.

Los autores de este artículo, Soham Khisa y Avijoy Chakma, construyeron un nuevo sistema llamado VaCDA para solucionar esto. Así es como funciona, utilizando analogías sencillas:

1. El Problema: La "Habitación Desordenada"

Imagina que tienes varias habitaciones (conjuntos de datos) llenas de juguetes (datos de actividad).

Habitación A tiene los juguetes esparcidos por el suelo.
Habitación B tiene los mismos juguetes ordenados en estantes.
Habitación C tiene los juguetes flotando en el agua.

Si entrenas a un robot para encontrar una "pelota" solo en la Habitación A, fallará estrepitosamente en la Habitación B o C. Los métodos tradicionales intentan forzar que las habitaciones se vean exactamente iguales, pero eso es difícil cuando las habitaciones son tan diferentes.

2. La Solución: El "Traductor Universal" (VAE)

La primera parte de su solución es un Autoencoder Variacional (VAE). Piensa en esto como un traductor superinteligente o una "máquina de compresión".

En lugar de intentar que el suelo desordenado se parezca al estante ordenado, el VAE toma todos los diferentes juguetes de todas las diferentes habitaciones y los traduce a un único lenguaje universal (un "espacio latente").
En este lenguaje universal, una "pelota" es solo una "pelota", independientemente de si estaba en el suelo, en un estante o en el agua.
Esto permite que el sistema ignore el ruido (como el dispositivo específico o la posición del cuerpo) y se concentre en la forma central de la actividad.

3. El Refinamiento: El Juego de "Encuentra las Diferencias" (Aprendizaje Contrastivo)

Existe el riesgo de que el traductor sea demasiado bueno generalizando. Podría decidir que una "pelota" y un "cubo" son lo mismo porque ambos son objetos redondeados.

Para solucionar esto, los autores añadieron el Aprendizaje Contrastivo. Imagina un juego de "Encuentra las diferencias" o un profesor estricto:

Pares Positivos: El profesor le muestra al robot dos imágenes de la misma actividad (por ejemplo, dos personas diferentes caminando) y dice: "¡Estas son iguales! Manténlas cerca en tu mente".
Pares Negativos: El profesor le muestra una imagen de caminar y una de correr y dice: "¡Estas son totalmente diferentes! Aléjalas en tu mente".

Al combinar el Traductor (VAE) con el Profesor Estricto (Aprendizaje Contrastivo), el sistema aprende a agrupar actividades similares mientras mantiene las actividades diferentes separadas, incluso si provienen de diferentes dispositivos o personas.

4. El Resultado: Un Jugador de Equipo Escalable

La mayoría de los sistemas antiguos solo podían aprender de una fuente (por ejemplo, los datos de una persona) para ayudar a otra. VaCDA es especial porque es escalable.

Imagina que estás tratando de aprender un nuevo idioma. Los métodos antiguos podrían dejarte hablar con un solo hablante nativo.
VaCDo te permite escuchar a diez hablantes nativos diferentes a la vez, todos hablando dialectos distintos, y él descubre las reglas gramaticales comunes que se aplican a todos ellos.

¿Qué descubrieron?

Los autores probaron este sistema en cuatro conjuntos de datos del mundo real que involucraban relojes inteligentes, teléfonos inteligentes y diferentes posiciones corporales.

Cruce de Posición (Cross-Position): Al mover un sensor de la muñeca al tobillo, VaCDA fue mucho mejor reconociendo actividades que los métodos anteriores.
Cruce de Dispositivo (Cross-Device): Al cambiar de un teléfono inteligente a un reloj inteligente, VaCDA tuvo el mejor rendimiento.
Cruce de Persona (Cross-Person): Al intentar adaptarse a una nueva persona, lo hizo muy bien, aunque quedó ligeramente por detrás del mejor método existente en algunos casos específicos.

En resumen: VaCDA es una nueva forma de enseñar a las computadoras a entender el movimiento humano traduciendo datos desordenados y diferentes a un lenguaje común y luego utilizando un juego de "encuentra las diferencias" para asegurarse de que no se confundan. Funciona mejor que los métodos antiguos cuando los datos provienen de diferentes lugares, personas o dispositivos.

Resumen Técnico: VaCDA – Alineación Contrastiva Variacional Basada en Variaciones para el Reconocimiento de Actividad Humana Escalable

1. Planteamiento del Problema

La proliferación de dispositivos portátiles (wearables) ha generado vastas cantidades de datos de sensores no etiquetados para el Reconocimiento de Actividad Humana (HAR). Sin embargo, el entrenamiento de modelos robustos se ve obstaculizado por dos desafíos primarios:

Escasez de Etiquetas: La anotación manual es laboriosa y propensa a errores, lo que dificulta el aprendizaje supervisado.
Heterogeneidad de la Distribución (Desplazamiento de Dominio): Las distribuciones de los datos varían significativamente debido a la colocación del dispositivo (p. ej., muñeca frente a pierna), el tipo de dispositivo (teléfono inteligente frente a reloj inteligente) y el comportamiento del usuario (edad, IMC, patrones de movimiento). Los modelos supervisados tradicionales, que asumen que los datos de entrenamiento y prueba siguen la misma distribución, funcionan de manera subóptima cuando se aplican a estos dominios desplazados.

Si bien la Adaptación de Dominio (DA) aborda este desplazamiento, los métodos existentes suelen tener dificultades con la Adaptación de Dominio Multi-Fuente (MSDA), donde múltiples dominios de origen etiquetados deben alinearse con un dominio objetivo no etiquetado. Además, muchos enfoques dependen de técnicas discriminativas (p. ej., aprendizaje adversarial) que pueden no capturar completamente la estructura generativa subyacente de los datos, mientras que los enfoques generativos como los Autoencoders Variacionales (VAEs) corren el riesgo de sobregeneralizar actividades distintas en el mismo espacio latente.

2. Metodología: El Marco de Trabajo VaCDA

Los autores proponen VaCDA (Adaptación de Dominio Contrastiva Variacional), un marco de MSDA escalable que integra las capacidades de generalización de características de los VAE con el poder discriminativo del aprendizaje contrastivo. La arquitectura opera a través de dos canales distintos:

A. Canal de Preentrenamiento (Alineación de Características)

Este canal alinea las características a través de todos los dominios (múltiples fuentes y el objetivo) para aprender un espacio latente compartido de baja dimensión. Combina tres funciones de pérdida:

Pérdida de Autoencoder Variacional (VAE): El modelo aprende una distribución compartida $D$ $D$ minimizando la Cota Inferior de la Evidencia (ELBO). Esto implica:
- Pérdida de Reconstrucción: Asegurar que el decodificador pueda reconstruir las señales de entrada a partir de las variables latentes.
- Divergencia KL: Regularizar la distribución latente aprendida para que coincida con un prior normal estándar, forzando al modelo a generalizar a través de diferentes distribuciones de origen y objetivo.
Pérdida Contrastiva Auto-supervisada: Inspirada en SimCLR, esta pérdida une las vistas aumentadas de la misma muestra (pares positivos) y separa muestras diferentes (pares negativos) en el espacio latente. Esto ayuda al modelo a aprender características invariantes al dominio.
Pérdida Contrastiva Supervisada: Aplicada a los datos de origen etiquetados, esta pérdida fomenta que las muestras con la misma etiqueta de clase estén más cerca en el espacio latente mientras separa las clases diferentes. Esto asegura que el modelo mantenga el poder discriminativo para actividades específicas, evitando que el VAE sobregeneralice actividades distintas.

B. Canal del Clasificador

Una vez que el codificador ha sido preentrenado, este se congela. Un clasificador separado (una red neuronal basada en softmax) se entrena utilizando las representaciones latentes de los dominios de origen etiquetados. El clasificador se optimiza utilizando la Pérdida de Entropía Cruzada tanto en las entradas originales como en las aumentadas de origen. Durante la inferencia, los datos del dominio objetivo pasan a través del codificador congelado y el clasificador entrenado para predecir las etiquetas de actividad.

Escalabilidad

Una característica de diseño clave es que el marco de trabajo no requiere canales separados para cada dominio. Al aprovechar la capacidad del VAE para mapear un número arbitrario de dominios de origen en un espacio latente compartido, VaCDA puede manejar un número arbitrario de fuentes sin cambios arquitectónicos.

3. Contribuciones Clave

El artículo describe tres contribuciones principales:

Marco Probabilístico Novedoso: La propuesta de VaCDA, que combina de manera única los VAEs para la generalización de la distribución con el aprendizaje contrastivo para la discriminación de características.
Solución MSDA Escalable: Un método capaz de manejar un número arbitrario de dominios de origen, eliminando la necesidad de canales específicos de dominio y abordando la complejidad de los escenarios reales de múltiples fuentes.
Evaluación Empírica Extensa: Validación a través de cuatro conjuntos de datos públicos (DSADS, OPPORTUNITY, PAMAP2, WISDM) bajo tres escenarios de heterogeneidad: cruce de posición, cruce de persona y cruce de dispositivo.

4. Resultados Experimentales

Los autores evaluaron VaCDA contra seis líneas base: STranGAN, CoDATS, Deep CORAL, DAN, CALDA y CrossHAR. El rendimiento se midió utilizando la puntuación Micro F1.

Heterogeneidad de Cruce de Posición: VaCDA superó a todas las líneas base en el conjunto de datos DSADS (69.13% frente al 66.02% de la siguiente mejor, CALDA) y en el conjunto de datos PAMAP2 (45.75% frente al 32.44% de CrossHAR). Los autores señalaron un aumento significativo de rendimiento (aprox. 13%) en PAMAP2, aunque reconocieron que todos los modelos tuvieron dificultades en este conjunto de datos, potencialmente debido a problemas de desalineación de datos.
Heterogeneidad de Cruce de Persona: VaCDA mostró un rendimiento competitivo. Si bien no superó a las mejores líneas base (CALDA y CoDATS) en DSADS y OPPORTUNITY, logró una mejora del 6% sobre las líneas base en el conjunto de datos WISDM.
Heterogeneidad de Cruce de Dispositivo: En la tarea de adaptación de smartphone-a-reloj inteligente de WISDM, VaCDA superó marginalmente a todas las líneas base (49.67% frente al 44.86% de CALDA).
Estudio de Ablación: Eliminar el aprendizaje contrastivo resultó en una caída del rendimiento en todos los conjuntos de datos. La ganancia más significativa se observó en el escenario de cruce de persona de WISDM (+18.19%), lo que destaca el papel crítico del aprendizaje contrastivo para manejar la variabilidad específica del usuario.

5. Significado y Reivindicaciones

El artículo posiciona a VaCDA como una solución robusta para los desafíos específicos del HAR con dispositivos portátiles, donde la heterogeneidad de los datos es inherente.

Mitigación de la Heterogeneidad: El marco aborda eficazmente el "desplazamiento de dominio" causado por la colocación del dispositivo, el tipo de dispositivo y el comportamiento del usuario mediante el aprendizaje de un espacio latente compartido.
Escalabilidad: Resuelve el problema de escalabilidad de la adaptación de múltiples fuentes, permitiendo que el sistema se adapte a nuevos dominios sin necesidad de reentrenar toda la arquitectura desde cero.
Reivindicaciones Modestas: Los autores son cautelosos en sus conclusiones. Reconocen que, si bien VaCDA destaca en los escenarios de cruce de posición y cruce de dispositivo, no supera estrictamente a las líneas base de vanguardia en el escenario de cruce de persona, aunque sigue siendo competitivo. Atribuyen el bajo rendimiento de algunas líneas base (p. ej., STranGAN) al uso de extractores de características personalizados que no fueron diseñados originalmente para datos de IMU.

Los autores concluyen que VaCDA ofrece un paso significativo hacia la construcción de sistemas de HAR escalables y robustos para el despliegue en el mundo real, con trabajo futuro planeado para abordar la adaptación de dominio de conjunto abierto y el reconocimiento de categorías novedosas.