论文信息
论文标题:Cross-domain Activity Recognition via Substructural Optimal Transport
论文作者:Wang Lu, Yiqiang Chen, Jindong Wang, Xin Qin
论文来源:Neurocomputing
论文地址:download
论文代码:download
1 背景
使用从传感器收集到的原始信号,学习有关人类活动的高级知识。应用于步态分析、手势识别、睡眠阶段检测等领域
跨域活动识别(CDAR):借助辅助数据集,使用领域自适应的方式为无标签的新活动数据集构建模型
贝叶斯信息准则(BIC):
-
- 背景:参数估计问题采用似然函数作为目标函数,提高模型复杂度可提高模型精度,但会导致过拟合问题发生,希望在模型复杂度与模型对数据集描述能力之间寻求最佳平衡;
- 公式:BIC=kln(n)−2ln(ˆL)
BIC=kln(n)−2ln(Lˆ) ,其中后项为精度惩罚,LL 表示似然函数的值;前项为复杂度惩罚,kk 表示自由参数数量,nn 表示样本数量; - 解释:增加参数数量会增大似然函数,但是参数过多时,似然函数增速减缓,易产生过拟合现象,选取使BIC最小的自由参数数量即可达到较优状态
最优输运问题(OT):
-
- 概率向量:元素值在 [0,1]
[0,1] 间,和为 11 的数组 - 离散测度:将概率向量对应给某个数的函数
- 概率向量:元素值在 [0,1]
α=∑ni=1aiδxi
-
- 最优输运问题:对于两个测度,找到最优的映射方式 P,使下式成立(C 为代价矩阵):
LC(a,b) def. =minP∈U(a,b)⟨C,P⟩ def. =∑i,jCi,jPi,j
2 传统方法简介
分类
-
- 粗糙匹配:域级匹配/类级匹配/域级和类级匹配,通过学习域不变表示/类不变表示来匹配分布;
- 样本级匹配:实现两个域的成对样本对齐;
局部性:两个传感器信号之间的细粒度相似度
缺陷
-
- 粗糙匹配:忽略活动数据的局部信息,可能导致不适应;
- 样本级匹配:易受噪声点或异常值的影响,导致过度适应,学习局部信息时出现过拟合;匹配太多的点,耗时;
实验分析
-
- 源域/目标域分别由高斯混合分别采样得到,对应于两个类和三个不同的簇;
-
由于其中一个类对应两个簇,使用粗糙匹配将忽略这种局部信息;
- 数据携带噪音或扰动,直接对数据样本进行匹配可能出现不匹配的情况;
-
- 域级匹配完全忽略了域内数据结构;
- 类级匹配需要稍微精细的对齐;
- 样本级方法容易受到异常值影响,导致过拟合,且耗时;
3 子结构域自适应(SSDA)
子结构:描述数据的细粒度潜在分布,可理解为类内部簇,对应于局部信息;
优势
-
- 相较于粗略匹配,利用更细粒度的局部性信息(子结构),克服不适应问题;
- 相较于样本级匹配,避免噪声与异常值的过分影响,防止过度适应问题;
- 通用框架,可使用不同算法完成定制;
实现
基于最优传输,提出子结构最优传输(SOT)方法
步骤:
-
-
- 通过聚类方法获得内部子结构;
- 通过部分最优传输方法给出源域的活动子结构权值;
- 学习匹配两个子结构上的概率分布函数的运输计划;
-
理论分析
域级匹配对象 p(x),类级匹配对象 p(x|y),进一步将域划分为更精细的子结构:
p(x)=∑yp(x∣y)p(y)=∑y(∑op(x,o∣y))p(y)=∑y∑op(x∣y,o)p(y,o) (For source domain) =∑o∑yp(x∣y,o)p(y∣o)p(o)=∑op(x∣o)p(o). (For target domain)
重点观察
由于类和子结构之间的关系:
p(y∣o)={1o is part of y0o.w
统一源域和目标域的匹配对象:
p(x∣o)
子结构最优运输(SOT)
步骤一:子结构生成和表示
X 表示所有特征数据,Xk∼N(μk,σk) 表示第 k 个聚类的数据,服从高斯混合分布;可使用特征数据 X 借助期望最大值(EM)算法获得高斯混合模型的参数。
针对源域为保持标签一致性,将其视为 C 个高斯混合模型的混合分布,每个模型对应一个类,针对每个模型分别完成聚类;针对目标域由于缺少标签,直接对整个目标域完成聚类。
聚类数量由贝叶斯信息准则(BIC)决定,选取使 BIC 最小的自由参数 k 的数量来决定聚类的数量。
聚类算法可自由定制;
子结构表示:中心表示的 SOTc 表示法(只利用聚类中心,计算简单,效率高)与分布表示的 SOTg 表示法(利用更多聚类中心,计算时需近似)
SOTc 表示法
目标域分布(源域类似):
μc,t=∑kti=1wt,iδzt,i
其中 z 表示聚类中心, δz 表示聚类中心处的 Dirac 函 数, ω 表示与聚类中心相关的概率质量,和为 1。
使用欧式距离的平方作为两个域间聚类中心的距离 度量: c(zs,i,zt,j)=‖zs,i−zt,j‖22 .
SOTg 表示法
目标域分布(源域类似):
μg,t=∑kti=1wt,iN(zt,i,σt,i)
使用高斯分布代替聚类中心位置的 Dirac 函数 使用 Wasserstein 距离的平方作为两个域间聚类中 心的距离度量:
c(N(zs,i,σs,i),N(zt,j,σt,j))=W22(N(zs,i,σs,i),N(zt,j,σt,j))
距离度量用于计算最优输运中的代价矩阵 C
将协方差矩阵强制为对角矩阵,经过转化的距离度量:
c(N(zs,i,σs,i),N(zt,j,σt,j))=‖zs,i−zt,j‖2+‖√rs,i−√rt,j‖22=‖(zs,i,√rs,i)−(zt,j,√rt,j)‖22
其中 r 表示簇的协方差矩阵的对角线,聚类中心 z 和 r 共同构成表示子结构的特征。
步骤二:计算子结构权值(概率质量)
对两种子结构表示法进行统一表示:
Ps=ks∑s=1ws,ips,i
对信息过少的目标域将 ωt,i 固定为 1/kt 自适应计算源域的子结构权值
由于 ω 本身的特性 (和为 1), 可看作概率分布向量,利用部分最优运输问题进行求解,求解最优运输方式对应的优化目标:
π∗1=argminπ⟨π,C⟩F+λ1H(π) s.t πT1ks=wtπ1kt≤1ks1TktπT1ks=1.
其中 π 为两个子结构概率分布函数的朱合合矩阵(co upling matrix),C 为代价矩阵,⟨⋅⟩F 为 Frobenius 点积,⟨π,C⟩F 即为部分最优输运总代价,H(π) 为便于计算加入的正则化项,定义式
H(π)=∑ijπijlogπij
可保证约束条件后两项必然成立, 因此最终优化目标:π∗1=argminπ⟨π,C⟩F+λ1H(π)
s.t πT1ks=wt.
由于约束条件为的可行解集为凸集,易得问题的封闭形式,可使用拉格朗日方法解决问题:
L=⟨π,C⟩F+λ1H(π)+ϕT(πT1ks−wt)
步骤三:基于最优输运(OT)的子结构映射
子结构最优运输 (SOT) 的总体优化目标:
π∗=argminπ⟨π,C⟩F+λH(π)+ηΩ(π) s.t πT1ks=wtπ1kt=ws.
其中 Ω(π) 为群稀疏正则化器,期望每个目标样本只从具有相同标签的源样本接收质量。
通过广义条件梯度 (GCG) 求解最优输运问题得到 最优耦合矩阵 π∗ 后, 可通过重心咉射计算出变换后的 ps,i 的值:
ˆps,i=argminp∑jπ∗(i,j)c(p,pt,j)
当代价函数为欧式距樆时, 可表示为
ˆPs=diag(π∗1kt)−1π∗Pt
其中 Pt 为目标表示,^Ps 为源映射表示
使用计算出的 ^Ps 和标签 Ys 可建立模型以预测 Pt 对 应标签,将预测出的标签拭予目标域中属于对应聚类的 数据即可最终完成目标域的标签预测任务,即实现跨域活动识别任务。
4 实验结果
https://zhuanlan.zhihu.com/p/356904023
https://www.cnblogs.com/liuzhen1995/p/14524932.html
__EOF__