在可穿戴传感器系统中具有成本效益的多任务主动学习
Asiful Arefeen1,2, Hassan Ghasemzadeh1
1College of Health Solutions, Arizona State University, Phoenix, AZ 85004, USA.
Sensors (Basel, Switzerland)
|March 17, 2025
概括
可穿戴系统中的多任务主动学习 (MTAL) 需要更好的查询策略. 一种新的集群分层采样 (CSS) 方法在移动健康应用中提高了高达9%的准确性.
科学领域:
- * 移动健康服务
- * 机器学习 * 机器学习
- * 可穿戴式传感器
背景情况:
- * 监督多任务学习 (MTL) 模型提高了性能,但需要大量的标记数据.
- *多任务主动学习 (MTAL) 解决了数据稀缺问题,但需要有效的查询策略,特别是在移动健康领域.
- *现有的MTAL策略在可穿戴传感器系统中未得到充分探索,因此需要研究有效的标签获取.
研究的目的:
- *研究可穿戴传感器系统的多任务主动学习 (MTAL) 查询策略.
- * 评估移动健康应用中不同采样方法的有效性.
- * 提出和验证在资源有限的环境中为MTAL采用一种新的抽样方法.
主要方法:
- *研究了基于等级的抽样和其他传统的MTAL查询策略.
- *利用可穿戴传感器的活动识别和情绪分类数据集.
- * 提出并实施了一个集群分层采样 (CSS) 方法,与MTAL集成.
主要成果:
- *以排名为基础的抽样显示出卓越的性能,特别是在高度相关的任务中.
- *仅仅依靠信息性进行样本选择可以引入模型偏差.
- * 建议的CSS方法与基于等级的查询相结合,在2000个查询预算中实现了高达9%的准确性改进.
结论:
- *有效的MTAL查询策略对于使用可穿戴传感器的移动健康应用程序的成功至关重要.
- * 拟议的集群分层采样 (CSS) 方法提高了MTAL的效率和准确性.
- *CSS优化了预算利用并减轻了偏差,为标签缺口场景提供了有希望的解决方案.
