Jove
Visualize
联系我们
JoVE
x logofacebook logolinkedin logoyoutube logo
关于 JoVE
概览领导团队博客JoVE 帮助中心
作者
出版流程编辑委员会范围与政策同行评审常见问题投稿
图书馆员
用户评价订阅访问资源图书馆顾问委员会常见问题
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experiments存档
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教师资源中心教师网站
使用条款与条件
隐私政策
政策

相关实验视频

半HAR:通过多任务学习改善半监督的人类活动识别.

Chixuan Wei, Zhihai Wang, Jidong Yuan

    IEEE transactions on neural networks and learning systems
    |November 16, 2023
    PubMed
    概括

    这项研究引入了一种使用多任务学习的新半监督人类活动识别 (SemiHAR) 方法. 该方法有效地解决了数据差异,并通过考虑用户识别任务来提高活动识别的准确性.

    相关实验视频

    相关概念视频

    您也可能阅读

    相关文章

    通过共同作者、期刊和引用图与本文相关的文章。

    排序
    Same author

    In vivo evolution of tigecycline resistance in ST540 carbapenem-resistant Acinetobacter baumannii: Mechanisms and global epidemiological perspective.

    International journal of antimicrobial agents·2026
    Same author

    Endogenous Fe-N co-doped biochar for persulfate activation: Synergistic enhancement of persulfate adsorption by porous structure and p-d orbital coupling.

    Bioresource technology·2026
    Same author

    625 mJ, 1 kHz picosecond pulsed laser amplifier based on cascaded zig-zag slabs.

    Optics express·2026
    Same author

    Distribution patterns and ecological networks of pathogenic microorganisms in a tropical urban river: insights from the Mirongo River, Tanzania.

    Environmental pollution (Barking, Essex : 1987)·2026
    Same author

    Comparative between eravacycline and best available therapy in carbapenem-resistant Acinetobacter baumannii HAP/VAP in China: a retrospective real-world multicenter cohort study.

    International journal of infectious diseases : IJID : official publication of the International Society for Infectious Diseases·2026
    Same author

    Environmental Behavior of 2,4,6-Trichlorophenol in the Sediment-Overlying Water System with the Presence of Tubificid Worms.

    Toxics·2026

    科学领域:

    • 计算机科学 计算机科学
    • 人工智能的人工智能
    • 机器学习 机器学习

    背景情况:

    • 半监督的人类活动识别 (SemiHAR) 对数字健康和环境智能至关重要.
    • 当前的SemiHAR方法在捕获序列间特征和处理标记和未标记数据之间的分布差异方面存在困难.
    • 挑战包括识别涉及多个身体部位的复杂活动和用户特定的行为变异.

    研究的目的:

    • 为半监督的人类活动识别提出一个新的多任务学习框架.
    • 为了应对跨序特征提取和分布差异在SemiHAR中的挑战.
    • 提高人类活动识别系统的准确性和稳定性.

    主要方法:

    • 开发了一个基于维度的马尔科夫过渡场 (DMTF) 技术,以生成二维活动数据,捕捉跨维度交互.
    • 员工通过联合培训用户识别 (UR) 和活动识别 (AR) 任务来进行多任务学习,以减轻数据分布差异.
    • 引入了一个任务关系学习器 (TRL),用于动态学习任务关系,使知识从次要任务转移到主要任务.

    主要成果:

    • 拟议的DMTF技术有效地捕捉了活动数据的不同维度之间的相互作用.
    • 联合培训UR和AR任务减少了潜在的分布差异,提高了模型性能.
    • 任务关系学习者促进了最佳的知识共享,增强了主要的AR任务.
    • 在四个现实世界数据集上的广泛实验表明,与最先进的方法相比,性能优越.

    结论:

    • 新型的多任务学习方法显著推进了半监督的人类活动识别.
    • 提出的方法有效地解决了与特征提取和数据分布差异相关的挑战.
    • 该框架为开发更准确,更可靠的人类活动识别系统提供了一个有希望的方向.