CRoP: Context-wise Robust Static Human-Sensing Personalization

要約

ディープラーニングとモノのインターネットの進歩により、多様なヒューマンセンシングアプリケーションが誕生しました。
ただし、さまざまな要因やコンテキストの影響を受ける人間の感知の明確なパターンは、自然な分布の変化により一般的なニューラル ネットワーク モデルのパフォーマンスに課題をもたらします。
これに対処するために、パーソナライゼーションはモデルを個々のユーザーに合わせて調整します。
しかし、ほとんどのパーソナライゼーション研究では、感覚データのコンテキストにわたるユーザー内の異質性が見落とされており、ユーザー内の一般化可能性が制限されています。
この制限は、利用可能なデータが限られているため一般化と個別化の両方が妨げられる臨床アプリケーションでは特に重要です。
特に、ユーザー内のセンシング属性は治療の進行などの外部要因によって変化すると予想され、課題をさらに複雑にしています。
この研究では、既製の事前トレーニング済みモデルとパーソナライゼーションと一般化を最適化するプルーニングを使用する新しい静的パーソナライゼーション アプローチである CRoP を紹介します。
CRoP は、現実世界の健康分野からの 2 つを含む 4 つの人間センシング データセットにわたって優れたパーソナライゼーションの有効性とユーザー内の堅牢性を示し、その実用的および社会的影響を強調しています。
さらに、CRoP の一般化能力と設計の選択をサポートするために、勾配内積分析、アブレーション研究、最先端のベースラインとの比較を通じて経験的根拠を提供します。

要約(オリジナル)

The advancement in deep learning and internet-of-things have led to diverse human sensing applications. However, distinct patterns in human sensing, influenced by various factors or contexts, challenge generic neural network model’s performance due to natural distribution shifts. To address this, personalization tailors models to individual users. Yet most personalization studies overlook intra-user heterogeneity across contexts in sensory data, limiting intra-user generalizability. This limitation is especially critical in clinical applications, where limited data availability hampers both generalizability and personalization. Notably, intra-user sensing attributes are expected to change due to external factors such as treatment progression, further complicating the challenges. This work introduces CRoP, a novel static personalization approach using an off-the-shelf pre-trained model and pruning to optimize personalization and generalization. CRoP shows superior personalization effectiveness and intra-user robustness across four human-sensing datasets, including two from real-world health domains, highlighting its practical and social impact. Additionally, to support CRoP’s generalization ability and design choices, we provide empirical justification through gradient inner product analysis, ablation studies, and comparisons against state-of-the-art baselines.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google