[论文解读] Unsupervised Activity Discovery and Characterization From Event-Streams

Rafay Hammid, Siddhartha Maddi+4 more|arXiv (Cornell University)|Jul 4, 2012

Time Series Analysis and Forecasting参考文献 12被引用 4

一句话总结

本文提出了一种无监督框架，通过将活动建模为事件n-gram的集合，并利用加权图中的最大团来识别活动类别，从而从事件流中发现并表征日常活动。该方法进一步采用可变长度马尔可夫模型提取重复出现的事件模式，展示了在多种真实环境中的稳健性能，且无需任何标注数据。

ABSTRACT

We present a framework to discover and characterize different classes of everyday activities from event-streams. We begin by representing activities as bags of event n-grams. This allows us to analyze the global structural information of activities, using their local event statistics. We demonstrate how maximal cliques in an undirected edge-weighted graph of activities, can be used for activity-class discovery in an unsupervised manner. We show how modeling an activity as a variable length Markov process, can be used to discover recurrent event-motifs to characterize the discovered activity-classes. We present results over extensive data-sets, collected from multiple active environments, to show the competence and generalizability of our proposed framework.

研究动机与目标

• 开发一种无监督方法，从原始事件流数据中发现不同的活动类别。
• 使用事件n-gram和基于图的聚类方法，对活动中的结构和序列模式进行建模。
• 通过可变长度马尔可夫模型识别重复出现的事件模式，以表征发现的活动类别。
• 评估该框架在多种真实环境中的泛化能力和性能表现。
• 通过实现完全无监督学习，消除对预标注数据的依赖。

提出的方法

• 将活动表示为事件n-gram的集合，以捕捉局部事件统计特征和全局结构模式。
• 构建一个无向、边加权的图，其中节点代表活动，边反映基于n-gram重叠的相似性。
• 在图中使用最大团检测技术识别高度相似活动的聚类，作为候选活动类别。
• 将每个发现的活动类别建模为可变长度马尔可夫过程，以提取重复出现的事件模式。
• 将该框架应用于从多个活跃环境中收集的真实世界事件流，以测试其可扩展性和鲁棒性。
• 利用无监督学习避免对人工标注活动标签的依赖。

实验结果

研究问题

• RQ1 如何在无先验标注的情况下，从未结构化的事件流中发现活动类别？
• RQ2 何种基于图的技术能够实现无监督环境下相似活动的有效聚类？
• RQ3 如何自动提取重复出现的事件模式，以表征发现的活动类别？
• RQ4 该框架在多种真实环境中的泛化能力如何？
• RQ5 可变长度马尔可夫模型能否有效捕捉自然人类活动的序列结构？

主要发现

• 在加权活动图中使用最大团方法，成功地在无监督条件下从事件流中识别出一致且明确的活动类别。
• 该框架在多种真实环境（包括家庭和办公室）中表现出强大的泛化能力，涵盖多样的活动模式。
• 可变长度马尔可夫模型有效提取了有意义且重复出现的事件模式，准确表征了每个发现的活动类别。
• 使用事件n-gram使得活动表示更加稳健，能够同时捕捉局部和全局结构特征。
• 该方法在无需任何人工标注训练数据的情况下，实现了可靠的活动发现与表征。
• 在大规模数据集上的实证结果证实了该框架在真实环境中的有效性、能力和可扩展性。