[論文レビュー] Transfer Learning in Human Activity Recognition: A Survey

Sourish Gunesh Dhekane, Thomas Ploetz|arXiv (Cornell University)|Jan 18, 2024

Context-Aware Activity Recognition Systems被引用数 9

ひとこと要約

この調査はセンサベースのHARにおける転移学習手法を分析し、スマートホームとウェアラブルに焦点を当て、課題を解決策へマッピングして今後の研究を導く。

ABSTRACT

Sensor-based human activity recognition (HAR) has been an active research area, owing to its applications in smart environments, assisted living, fitness, healthcare, etc. Recently, deep learning based end-to-end training has resulted in state-of-the-art performance in domains such as computer vision and natural language, where large amounts of annotated data are available. However, large quantities of annotated data are not available for sensor-based HAR. Moreover, the real-world settings on which the HAR is performed differ in terms of sensor modalities, classification tasks, and target users. To address this problem, transfer learning has been employed extensively. In this survey, we focus on these transfer learning methods in the application domains of smart home and wearables-based HAR. In particular, we provide a problem-solution perspective by categorizing and presenting the works in terms of their contributions and the challenges they address. We also present an updated view of the state-of-the-art for both application domains. Based on our analysis of 205 papers, we highlight the gaps in the literature and provide a roadmap for addressing them. This survey provides a reference to the HAR community, by summarizing the existing works and providing a promising research agenda.

研究の動機と目的

• HARと転移学習をセンサーモダリティとドメイン/タスクの変動とともに定義する。
• HARにおける転移学習手法を問題視点と解決視点に分類する。
• スマートホームおよびウェアラブルHARにおける最先端の転移学習アプローチをレビューする。
• 未解決のギャップを特定し、今後のHAR転移学習研究のためのロードマップを提案する。

提案手法

• HARの転移学習における問題視点と解決視点をドメインとタスクの形式論を用いて提示する。
• アプローチをインスタンス転移、特徴転移、パラメータ転移、知識ベース転移に分類する。
• 異種転移、タスク差異、および対応するマッピング/変換を検討する。
• スマートホームとウェアラブルのデータセット、課題、およびアプリケーション固有の考慮事項を要約する。
• ロードマップを提供し、未 addressedの課題と潜在的手法を特定する。

実験結果

リサーチクエスチョン

• RQ1 HARにおける転移学習の核となる問題設定（ドメインとタスクの関係）は何か。
• RQ2 HAR転移学習を可能にする解決策空間戦略（インスタンス、特徴、パラメータ、知識ベース転移）は何か。
• RQ3 スマートホームおよびウェアラブルHARにおける異種性とタスク差異は転移学習手法にどう対処されるか。
• RQ4 現在のHAR転移学習研究にはどのようなギャップが存在し、それを解決するロードマップは何を提案するべきか。

主な発見

• HARにおける転移学習は、特徴空間の異種性、限られたラベルデータ、ノイズ、およびセンサの異種性といった課題に直面している。
• 解決策には、ソース/ターゲット特徴間のマッピング、共通空間への変換、メタ特徴/セマンティクスを活用した転移の活用が含まれる。
• スマートホームHARは、異種の転移とセンサ配置やラベルマッピングのばらつきが多く、専門的な整列戦略を必要とする。
• ウェアラブルHARもデバイスの異種性と分布シフトに直面し、転移のためのニューラル埋め込みやオートエンコーダのようなアプローチを促している。
• 本調査は205件を超える研究を網羅し、問題と解決の視点と未 addressedの課題に対応するロードマップを提供する。