[논문 리뷰] Rare Life Event Detection via Mobile Sensing Using Multi-Task Learning

Arvind Pillai, Subigya Nepal외 1명|arXiv (Cornell University)|2023. 05. 31.

Context-Aware Activity Recognition Systems인용 수 8

한 줄 요약

본 논문은 무감독 자동인코더와 시퀀스 예측기를 이용해 모바일 센싱 데이터로부터 희귀 생애 이벤트를 탐지하는 다중 작업 학습 프레임워크 MTAD를 소개합니다. 126명의 작업자로부터 수집된 10,106일의 데이터셋에서 198개의 희귀 이벤트를 정확한 날짜 단위로 탐지하며 F1 점수 0.34를 달성했습니다.

ABSTRACT

Rare life events significantly impact mental health, and their detection in behavioral studies is a crucial step towards health-based interventions. We envision that mobile sensing data can be used to detect these anomalies. However, the human-centered nature of the problem, combined with the infrequency and uniqueness of these events makes it challenging for unsupervised machine learning methods. In this paper, we first investigate granger-causality between life events and human behavior using sensing data. Next, we propose a multi-task framework with an unsupervised autoencoder to capture irregular behavior, and an auxiliary sequence predictor that identifies transitions in workplace performance to contextualize events. We perform experiments using data from a mobile sensing study comprising N=126 information workers from multiple industries, spanning 10106 days with 198 rare events (<2%). Through personalized inference, we detect the exact day of a rare event with an F1 of 0.34, demonstrating that our method outperforms several baselines. Finally, we discuss the implications of our work from the context of real-world deployment.

연구 동기 및 목표

• 희귀 생애 이벤트가 모바일 센싱 데이터에서 관찰 가능한 행동 변화를 유발하는지 확인한다.
• 이상 탐지와 직장 성과 맥락을 결합한 다중 작업 학습 모델을 개발해 희귀 이벤트를 탐지한다.
• 개인화 추론이 비개인화 모델 대비 탐지 성능을 향상시키는지 평가한다.
• MTAD를 최첨단 베이스라인과 비교하고 매개변수 및 이벤트 유형에 따른 견고성을 분석한다.

제안 방법

• 생체 이벤트에 의해 영향을 받는 행동 특징을 식별하기 위해 Granger 인과성 테스트를 수행한다.
• MTAD를 제안한다: 재구성 오차를 통한 이상 스코어링을 위한 인코더-디코더 LSTM 자동인코더(작업 A)와 직장 성과 분류를 위한 시퀀스 예측기(작업 B)를 결합한다.
• 정상(비이벤트) 창에서 공동 학습하여 정상 행동을 학습하고 이상 현상을 맥락화하기 위한 보조 작업을 활용한다.
• 재구성 오차로부터 이상 점수를 계산하고 이를 감쇠 가중치가 적용된 직장 성과 전이 요인(스케일링 계수)으로 스케일링한다.
• 검증 데이터에서 유도된 데이터 기반 임계값과 비교하여 정확한 날짜의 희귀 이벤트를 추론한다.

실험 결과

연구 질문

• RQ1 생애 이벤트가 이벤트 전후의 모바일 센싱 특징에 관찰 가능한 변화를 유발하는가?
• RQ2 이상 재구성과 직장 성과 맥락을 결합하는 다중 작업 아키텍처가 희귀 이벤트 탐지를 향상시키는가?
• RQ3 사용자별 임계값을 통한 개인화가 일반 모델 대비 탐지 성능을 향상시키는가?
• RQ4 MTAD가 불균형한 실제 모바일 센싱 데이터에서 베이스라인 이상 탐지기와 비교했을 때 어떤 성능 차이를 보이는가?

주요 결과

• MTAD는 비개인화 모델에서 F1=0.29, 개인화 임계값을 사용할 때 F1=0.34로 다섯 가지 베이스라인(OCSVM, Isolation Forest, LSTM-VAE, DAGMM, LSTM-ED)을 유의하게 능가합니다.
• 참가자 수 N=126명, 데이터 일수 10,106일, 희귀 생애 이벤트 198건(<2%)의 데이터셋에서 MTAD는 정확한 날짜 단위 탐지를 F1=0.34로 달성했습니다.
• 개인화(MTAD-PT)는 일반 MTAD 모델(0.29)보다 더 높은 F1(0.34)을 보이며, 사용자별 임계값의 이점을 보여줍니다.
• MTAD는 매개변수 선택에 대한 견고성을 보이며, 윈도우 크기 10에서 강한 성능을 보이고 감쇠 상수 lambda에 대한 민감도가 낮습니다.
• MTAD-PT는 양의 이벤트와 음의 이벤트 모두를 균형 있게 탐지하는 능력을 보여줍니다(대략 동일한 재현율: 0.40 대 0.39).
• 일련의 제거 연구에서 시퀀스 예측기가 비지도형 자동인코더만으로 얻는 성능 향상에 필수적임이 확인되었습니다.