Evaluation of Regularization-based Continual Learning Approaches: Application to HAR

要約

タイトル：正則化に基づく継続学習アプローチの評価：HARへの応用
要約：
– 普及型コンピューティングにより、健康と幸福の分野を含む多くの重要な分野でサービスの提供が可能になっている。
– この領域では、ヒューマンアクティビティ認識（HAR）が近年注目を集めている。
– 現在のソリューションは、機械学習（ML）モデルに依存しており、驚くべき結果を達成している。
– ただし、これらのモデルの進化は、完全な再学習が行われない限り困難である。
– この問題を克服するためには、継続学習の概念が非常に有望であり、特に正則化に基づく技術が注目されている。
– これらの技術は、そのシンプルさと低コストのために特に興味深い。
– 初期の研究が行われ、有望な結果が示されているが、非常に具体的で比較が困難である。
– この論文では、HARのドメインに適応させた3つの正則化ベースの方法を包括的に比較し、その強みと限界を示す。
– 実験はUCI HARデータセットで実施され、結果は、すべてのシナリオで単一の技術が他のすべてを上回ったわけではないことを示している。

（要点）
– HARは健康と幸福などの分野で注目されている。
– 現在のモデルは、再学習を行わない限り進化が困難である。
– 正則化に基づく技術は、継続的な学習のために有望であり、そのシンプルさとコストの低さが魅力的である。
– この論文では、HARのために3つの正則化ベースの方法を比較し、その強みと限界を示す。
– 結果は、単一の技術が他のすべてを上回るわけではないことを示している。

要約(オリジナル)

Pervasive computing allows the provision of services in many important areas, including the relevant and dynamic field of health and well-being. In this domain, Human Activity Recognition (HAR) has gained a lot of attention in recent years. Current solutions rely on Machine Learning (ML) models and achieve impressive results. However, the evolution of these models remains difficult, as long as a complete retraining is not performed. To overcome this problem, the concept of Continual Learning is very promising today and, more particularly, the techniques based on regularization. These techniques are particularly interesting for their simplicity and their low cost. Initial studies have been conducted and have shown promising outcomes. However, they remain very specific and difficult to compare. In this paper, we provide a comprehensive comparison of three regularization-based methods that we adapted to the HAR domain, highlighting their strengths and limitations. Our experiments were conducted on the UCI HAR dataset and the results showed that no single technique outperformed all others in all scenarios considered.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI