19일차: Cross-Ssubject Transfer Learning in Human Activity Recorgnition Systems is Generative Adversarial Networks

Cross-Ssubject Transfer Learning in Human Activity Recongnition Systems 시스템 개요
읽은 논문
Cross-Subject Transfer Learning in Human Activity Recognition Systems using Generative Adversarial Networks
Elnaz Soleimania, Ehsan Nazerfard
https://arxiv.org/abs/1903.12489v1
나는 위의 논문을 보았으니 간단하게 요약해 볼까?모습
삼행으로 총결하다
  • 행동인식시스템 연구에 따르면 사전에 훈련된 모델을 새로운 사용자에 대한 제도가 대폭 감소했다.
  • 다른 한편, 새로운 사용자에게 라벨이 달린 데이터를 얻을 수 없을 것 같다
  • 사용자 적응형 Subject Adapter GAN(SA-GAN) 제안
    제안 수법
    제안 모델 및 손실 함수

    불특정 다수의 사용자가 아닌 데이터가 탭으로 제공된다고 가정하면 (원본 도메인 $D s$) 새 사용자는 탭으로 제공되지 않습니다 (대상 도메인 $D t$).
    Figure 1과 같이 Generator는 소스 도메인의 $X입니다.s$X에서{fake} 달러를 생성하고 Discriminator에서 구별합니다. ($X t, X {fake} 달러 구분) 식별률이 50% (일반 GAN과 동일합니다.) Classifier는 원본 데이터 트레이닝 분류기에 따라 $(X s, Y s) 달러의 조합과 $(X {fake}, Y) 달러의 조합, 손실 함수 $V s[cls] 달러로 훈련하다.
     $V_{cls}(G, C)=E_{x_s,y_s}[-y_s\log(C(G(x_s)))-y_s\log(C(x_s))]$
    최종 전체 손실 함수는 다음과 같은 공식에 의해 정의된다.
     $\min_{G,C}\max_{D}\lambda_{adv}V_{adv}(D,G)+\lambda_{cls}V_{cls}(G,C)$
    훈련 방법
    다음은 Algorithm1입니다.
    1. $X_s,y_s,X_무작위로 모든 샘플을 소량으로 선택하다.
    2. 같은 m 개의 노이즈 $\{z^ {(1)},...$^{(m)]}을(를) 결정합니다.
    3. 확률 계단 효과법으로 D를 훈련시킨다.
    4. 같은 훈련 C.
    5. G를 똑같이 훈련시킨다.
    6. 소량×교체 횟수를 반복한다.
    결과만 좋으면 생략하겠습니다.
    총결산
  • 행위 식별의 새로운 사용자 적응 문제에서 GAN 기반의 방법을 제시했다
  • 주관자
    한 시간 반 정도 읽었습니다. 지난번에는 행동 식별의 사용자 적응, 지난번에는 데이터 집합 간 이동, 이번에는 사용자 적응의 화제입니다. 다만, 새로운 사용자를 비특정 모델에 적응하는 것이 아니라 비특정 사용자를 새로운 사용자에게 적응하는 자극적인 방법입니다.
    몇 가지 마음에 드는 점이 있다. 첫 번째는 새로운 사용자가 올 때마다 반드시 먼저 모델을 만들어 공부를 시작해야 한다는 것이다. 비특정 사용자에 적응하는 것은 어려운 점이다. 또 하나는 이번 결과가 잘 이루어졌지만,학습 방법의 일부분에 의의가 있다는 점이 있다$Xt$G로 변환하기 위해 G를 배웠지만, 이것은 항상 $X입니다t달러와 같은지만 고려하기 위해 $(X{fake}, ys)달러로 공부할 때 $yss달러가 정확하다는 것을 장담할 수 없다선생님이 없어도 어쩔 수 없을지 몰라도 늘 부드러운 스타일이 느껴진다.

    좋은 웹페이지 즐겨찾기