Bedingte Zufallsfelder zur Aktivitätenerkennung

Die Aktivitätenerkennung ist ein Schlüsselbestandteil zur Schaffung intelligenter, multi-agenten Systeme. Intrinsisch gesehen ist die Aktivitätenerkennung ein zeitliches Klassifikationsproblem. In diesem Papier vergleichen wir zwei Modelle für die zeitliche Klassifikation: versteckte Markov-Modelle (HMMs), die seit langem für das Problem der Aktivitätenerkennung angewendet werden, und bedingte Zufallsfelder (CRFs). CRFs sind diskriminative Modelle zur Kennzeichnung von Sequenzen. Sie beziehen sich auf die gesamte Beobachtungssequenz, was die Notwendigkeit für Unabhängigkeitsannahmen zwischen den Beobachtungen vermeidet. Die Bedingung auf die Beobachtungen erweitert erheblich die Menge an Merkmalen, die in das Modell integriert werden können, ohne dessen Annahmen zu verletzen. Mit Daten aus einem simulierten Roboter-Tag-Domain, die gewählt wurde, weil sie multi-agenten ist und komplexe Interaktionen zwischen Beobachtungen erzeugt, untersuchen wir die Leistungsunterschiede zwischen dem diskriminativ trainierten CRF und dem generativen HMM. Zudem prüfen wir die Auswirkungen der Einbeziehung von Merkmalen, die die Unabhängigkeitsannahmen zwischen den Beobachtungen verletzen; solche Merkmale sind typischerweise notwendig für hohe Klassifikationsgenauigkeit. Wir stellen fest, dass das diskriminativ trainierte CRF ebenso gut oder besser abschneidet als ein HMM, selbst wenn die Modellmerkmale die Unabhängigkeitsannahmen des HMM nicht verletzen. In Fällen, in denen Merkmale von Beobachtungen aus vielen Zeitschritten abhängen, bestätigen wir, dass CRFs robust gegen jede Leistungsverschlechterung sind.