マルチセンサーにおける人間の活動認識のための対照的グループ構築を用いたドメイン適応

深層学習で訓練されたマルチセンサーに基づく人間の活動認識（HAR）モデルは、訓練時に見られた条件とは異なる条件下で収集されたデータに適用されると、一般化が限られることが多くあります。この問題を軽減するために、クラスを意識した特徴整合を促進する対照的グループ構築を組み込んだ敵対的ドメイン適応フレームワークを提案します。具体的には、ソースドメインとターゲットドメインの両方で拡張されたおよび摂動されたサンプルグループを生成し、対照学習目的を通じて最適化します。これにより、ターゲットドメインのアノテーションに依存せずに、意味的に類似する表現を圧縮し、異なるものを分離できます。この共同設計は意味的構造を保持しながら、クロスドメインの分布の不一致を減少させ、ドメイン不変かつ識別的な表現を得ることができます。Opportunityデータセットで行った実験は、提案手法の有効性を検証し、代表的な教師なしドメイン適応手法に対して一貫したパフォーマンスの向上を示しています。