半教師あり能動転移学習を用いた人間活動認識に関する研究

近年、人間活動認識（HAR）分野の研究を行うために深層学習モデルを使用するさまざまな研究が行われ始めています。ただし、深層学習モデルのトレーニングには大量のラベル付きデータが必要であるため、このようなモデルの絶対的な開発には大幅な遅れが生じています。HARなどの分野ではデータ収集が難しく、手作業によるラベル付けには多額の費用と労力がかかります。既存の方法は、人間の管理者によって行われる手動のデータ収集とデータの適切なラベル付けに大きく依存しています。そのため、データ収集プロセスが遅くなり、人間による偏ったラベル付けが行われやすくなります。これらの問題を解決するために、私たちは半教師あり能動転移学習法で学習したデータを用いて、新規データに対するラベル付け作業を軽減することで、既存のデータ収集手法に対する新たな解決策を提案しました。この方法は、ランダム サンプリングまたはアクティブ転移学習方法と比較してラベル付けを削減しながら、95.9% のパフォーマンスを達成しました。

In recent years, various studies have begun to use deep learning models to conduct research in the field of human activity recognition (HAR). However, there has been a severe lag in the absolute development of such models since training deep learning models require a lot of labeled data. In fields such as HAR, it is difficult to collect data and there are high costs and efforts involved in manual labeling. The existing methods rely heavily on manual data collection and proper labeling of the data, which is done by human administrators. This often results in the data gathering process often being slow and prone to human-biased labeling. To address these problems, we proposed a new solution for the existing data gathering methods by reducing the labeling tasks conducted on new data based by using the data learned through the semi-supervised active transfer learning method. This method achieved 95.9% performance while also reducing labeling compared to the random sampling or active transfer learning methods.