Hiërarchisch model verbetert herkenning van complexe activiteiten
Een nieuwe hiërarchische Bayesiaanse methode genaamd HB-PVI brengt de afweging in kaart tussen personalisatie en de kosten van extra trainingslabels bij activiteitsherkenning. Hiermee wordt gekeken naar zowel de variatie tussen deelnemers als de economische waarde van extra data.
Bij het herkennen van menselijke activiteiten via sensoren of systemen is personalisatie vaak nodig om de nauwkeurigheid te verhogen. Het verzamelen van extra kalibratiedata brengt echter kosten met zich mee, en de opbrengst verschilt per persoon. Deze studie introduceert een kader dat deze factoren gezamenlijk analyseert.
Binnen machine learning is het optimaliseren van datakwaliteit en personalisatie een doorlopende uitdaging. Technieken die efficiënt omgaan met de kosten en baten van specifieke trainingslabels helpen om modellen te ontwikkelen die nauwkeuriger presteren zonder onnodig veel middelen te verbruiken.
Deze samenvatting is gebaseerd op een origineel artikel van arXiv (cs.LG). Lees het volledige, originele bericht bij de bron.
Lees het originele artikel