[論文レビュー] ActiLabel: A Combinatorial Transfer Learning Framework for Activity Recognition

Parastoo Alinia, Seyed-Iman Mirzadeh+1 more|arXiv (Cornell University)|Mar 16, 2020

Context-Aware Activity Recognition Systems参考文献 25被引用数 6

ひとこと要約

ActiLabel は、ソースドメインとターゲットドメインのアクティビティイベントの依存グラフ間の構造的類似性を学習することで、新しいドメインにおけるラベルなしアクティビティ認識を可能にする組み合わせ最適化に基づく転移学習フレームワークである。クロスモダリティ、クロスロケーション、クロスサブジェクトの転移学習のシナリオにおいて、平均 F1 スコア 71.9% を達成し、最先端の手法を上回っている。

ABSTRACT

Sensor-based human activity recognition has become a critical component of many emerging applications ranging from behavioral medicine to gaming. However, an unprecedented increase in the diversity of sensor devices in the Internet-of-Things era has limited the adoption of activity recognition models for use across different domains. We propose ActiLabel a combinatorial framework that learns structural similarities among the events in an arbitrary domain and those of a different domain. The structural similarities are captured through a graph model, referred to as the it dependency graph, which abstracts details of activity patterns in low-level signal and feature space. The activity labels are then autonomously learned by finding an optimal tiered mapping between the dependency graphs. Extensive experiments based on three public datasets demonstrate the superiority of ActiLabel over state-of-the-art transfer learning and deep learning methods.

研究の動機と目的

• 分布シフトのため、アクティビティ認識モデルの一般化性能が多様なセンサードメインで著しく低下するという課題に対処すること。
• ターゲットドメインにラベル付きデータが存在しないトランスductive転移学習の設定において、ラベルなしの知識転送を可能にすること。
• ドメイン間でアクティビティイベントの構造的依存関係を活用することで、高レベルの抽象化と知識の転送を実現すること。
• センサーデータのクロスモダリティ、クロスロケーション、クロスサブジェクトの変動に対して頑健なフレームワークを構築すること。
• 極めて多様なドメインにおいて、既存のディープラーニングおよび転移学習ベースラインと比較して優れたパフォーマンスを達成すること。

提案手法

• 特徴の類似性に基づく k-近傍法 (k-NN) 接続を用いて、生のセンサーデータからネットワークグラフを構築する。
• コミュニティ検出アルゴリズムを適用して、ネットワークグラフ内にコアとなるアクティビティクラスタを同定する。
• 同定されたアクティビティクラスタ間の構造的関係をモデル化する依存グラフを構築する。
• ソースドメインとターゲットドメインの依存グラフ間の最適な段階的マッピングを求めるためのマルチレイヤーマッピングアルゴリズムを定式化する。
• 低レベルの特徴空間の整合性に依存せずに、ドメイン間で構造的パターンを整列させるための組み合わせ最適化を用いる。
• 最適化されたマッピングを用いて、ターゲットドメインの依存グラフをソースドメインのグラフにマッピングすることで、自動的にアクティビティラベルを推定する。

実験結果

リサーチクエスチョン

• RQ1 アクティビティイベント間の構造的依存関係は、極めて多様なセンサードメイン間で信頼性高く抽出可能であり、知識の転送に利用可能だろうか？
• RQ2 ラベル付きデータが存在しない状況において、組み合わせ最適化に基づく手法が、ソースドメインとターゲットドメイン間のアクティビティ構造のマッピングにどの程度効果的だろうか？
• RQ3 クロスモダリティ、クロスロケーション、クロスサブジェクトのアクティビティ認識において、このフレームワークは既存の転移学習およびディープラーニング手法をどの程度上回るだろうか？
• RQ4 ソースドメインとターゲットドメインの間でセンサーモダリティ、着用位置、または被験者が著しく異なる場合、このフレームワークの性能はどのようになるだろうか？
• RQ5 アクティビティパターンにおける高レベルの構造的類似性は、センサーデータにおける顕著な分布シフトを補うことができるだろうか？

主な発見

• ActiLabel は、クロスモダリティ、クロスロケーション、クロスサブジェクトのすべての転移シナリオにおいて、平均 F1 スコア 71.9% を達成し、ベースラインおよび最先端手法を著しく上回った。
• クロスモダリティ転移において、ActiLabel は PAMAP2 で 59.3%、DAS で 66.2%、Smartsock で 72.7% の F1 スコアを達成し、DirectMap よりもそれぞれ 19.3%、21.4%、6.7% 高かった。
• クロスロケーション転移において、ActiLabel は PAMAP2 で 70.8%、DAS で 68.4% の F1 スコアを達成し、平均性能で DirectMap を 32.7% 上回った。
• クロスサブジェクト転移において、ActiLabel は PAMAP2 で 82.7%、DAS で 80.3% の F1 スコアを達成し、平均で DirectMap を 9.1% 上回った。
• 類似した身体部位（例：胸から胸、左腕から右腕）間のマッピングでは、ラベル付けの正確性が 70.3% 以上であったが、類似性の低い部位間では 58.3–65.1% に低下した。
• 空間的および時間的分布シフトが著しい状況においても、フレームワークは頑健であることが示され、アクティビティイベントの構造的依存関係がドメイン間で保存されることを確認した。