[论文解读] Rare Life Event Detection via Mobile Sensing Using Multi-Task Learning

Arvind Pillai, Subigya Nepal+1 more|arXiv (Cornell University)|May 31, 2023

Context-Aware Activity Recognition Systems被引用 8

一句话总结

本文提出 MTAD，一种使用无监督自编码器和序列预测器的多任务学习框架，用于从移动感知数据中检测罕见生活事件，在包含126名参与者、10,106天数据、198个罕见事件的数据集上实现了 exact-day F1=0.34。

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.

研究动机与目标

• 研究罕见生活事件是否会在移动感知数据中产生可观测的行为变化。
• 开发一个将异常检测与工作场所绩效上下文相结合的多任务学习模型，以检测罕见事件。
• 评估个性化推断是否比非个性化模型提升检测效果。
• 在与状态前沿基线的对比中评估 MTAD，并分析在参数和事件类型上的鲁棒性。

提出的方法

• 进行 Granger 因果测试以识别受生活事件影响的行为特征。
• 提出 MTAD：一个编码器-解码器 LSTM 自编码器（任务 A）通过重建误差进行异常评分，耦合一个序列预测器（任务 B）用于工作场所绩效分类。
• 在正常（非事件）窗口上进行联合训练以学习正常行为，并利用一个辅助任务来将异常情境化。
• 从重建误差计算异常分数，并使用一个衰减加权的工作场所绩效转换因子（缩放因子）进行缩放。
• 通过将缩放后的异常分数与来自验证数据的数据驱动阈值进行比较，在精确日上推断罕见事件。

实验结果

研究问题

• RQ1 生活事件在事件前后是否会在移动感知特征上引发可观测的变化？
• RQ2 通过结合异常重建与工作场所绩效上下文的多任务结构，是否能提升罕见事件检测？
• RQ3 通过用户特定阈值的个性化是否能提升相对于通用模型的检测性能？
• RQ4 在不平衡的真实世界移动感知数据上，MTAD 与基线异常检测器相比表现如何？

主要发现

• MTAD 显著优于五个基线方法（OCSVM、Isolation Forest、LSTM-VAE、DAGMM、LSTM-ED），非个性化模型 F1=0.29，使用个性化阈值时 F1=0.34。
• 在 N=126 名参与者、10,106 天、198 个罕见生活事件（占比<2%）的数据集上，MTAD 实现了逐日精确检测，F1=0.34。
• 个性化（MTAD-PT）比通用 MTAD 模型（0.29）具有更高的 F1，显示用户特定阈值的好处。
• MTAD 对参数选择具有鲁棒性，窗口大小为 10 时性能强劲，衰减常数 lambda 的敏感性很低。
• MTAD-PT 在检测正负事件方面具有较均衡的能力（召回率大约相等：0.40 对 0.39）。
• 消融研究表明序列预测器对超越无监督自编码器的性能提升是必需的。