迁移学习(SOT)《Cross-domain Activity Recognition via Substructural Optimal Transport》
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:$mathrm{BIC}=k ln (n)-2 ln (widehat{L})$,其中后项为精度惩罚,$L$ 表示似然函数的值;前项为复杂度惩罚,$k$ 表示自由参数数量,$n$ 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 $[0,1]$ 间,和为 $1$ 的数组
- 离散测度:将概率向量对应给某个数的函数
$alpha=sum_{i=1}^{n} mathbf{a}_{i} delta_{x_{i}}$
-
- 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):
$mathrm{L}_{mathbf{C}}(mathbf{a}, mathbf{b}) stackrel{ ext { def. }}{=} min _{mathbf{P} in mathbf{U}(mathbf{a}, mathbf{b})}langlemathbf{C}, mathbf{P} angle stackrel{ ext { def. }}{=} sum_{i, j} mathbf{C}_{i, j} mathbf{P}_{i, j}$
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:
$egin{aligned}p(mathbf{x}) & =sum_limits{y} p(mathbf{x} mid y) p(y) \& =sum_limits{y}left(sum_limits{o} p(mathbf{x}, o mid y) ight) p(y) \& =sum_limits{y} sum_limits{o} p(mathbf{x} mid y, o) p(y, o) ext { (For source domain) } \& =sum_limits{o} sum_limits{y} p(mathbf{x} mid y, o) p(y mid o) p(o) \& =sum_limits{o} p(mathbf{x} mid o) p(o) . ext { (For target domain) }end{aligned}$
由于类和子结构之间的关系:
$p(y mid o)=left{egin{array}{ll}1 & o ext { is part of } y \0 & o . wend{array} ight.$
统一源域和目标域的匹配对象:
$p(mathbf{x} mid o)$
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,$X_{k} sim Nleft(mu_{k}, sigma_{k} ight)$ 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 $S O T_{c}$ 表示法(只利用聚类中心,计算简单,效率高)与分布表示的 $S O T_{g}$ 表示法(利用更多聚类中心,计算时需近似)
$operatorname{SOT}_{c}$ 表示法
目标域分布(源域类似):
$mu_{c, t}=sum_{i=1}^{k_{t}} w_{t, i} delta_{mathbf{z}_{t, i}}$
其中 $z$ 表示聚类中心, $delta_{z}$ 表示聚类中心处的 Dirac 函 数, $omega$ 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: $quad cleft(mathbf{z}_{s, i}, mathbf{z}_{t, j} ight)=left|mathbf{z}_{s, i}-mathbf{z}_{t, j} ight|_{2}^{2}$ .
$oldsymbol{SOT}_{g}$ 表示法
目标域分布(源域类似):
$mu_{g, t}=sum_{i=1}^{k_{t}} w_{t, i} mathcal{N}left(mathbf{z}_{t, i}, oldsymbol{sigma}_{t, i} ight)$
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:
$cleft(mathcal{N}left(mathbf{z}_{s, i}, oldsymbol{sigma}_{s, i} ight), mathcal{N}left(mathbf{z}_{t, j}, oldsymbol{sigma}_{t, j} ight) ight)=W_{2}^{2}left(mathcal{N}left(mathbf{z}_{s, i}, oldsymbol{sigma}_{s, i} ight), mathcal{N}left(mathbf{z}_{t, j}, oldsymbol{sigma}_{t, j} ight) ight)$
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:
$egin{aligned}cleft(mathcal{N}left(mathbf{z}_{s, i}, sigma_{s, i} ight), mathcal{N}left(mathbf{z}_{t, j}, sigma_{t, j} ight) ight) & =left|mathbf{z}_{s, i}-mathbf{z}_{t, j} ight|^{2}+left|sqrt{mathbf{r}_{s, i}}-sqrt{mathbf{r}_{t, j}} ight|_{2}^{2} \& =left|left(mathbf{z}_{s, i}, sqrt{mathbf{r}_{s, i}} ight)-left(mathbf{z}_{t, j}, sqrt{mathbf{r}_{t, j}} ight) ight|_{2}^{2}end{aligned}$
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:
$P_{s}=sumlimits_{s=1}^{k_{s}} w_{s, i} p_{s, i}$
对信息过少的目标域将 $omega_{t, i}$ 固定为 $1 / k_{t}$ 自适应计算源域的子结构权值
由于 $ omega$ 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:
$egin{array}{r}oldsymbol{pi}_{1}^{*}=arg min _{pi}langleoldsymbol{pi}, mathbf{C} angle_{F}+lambda_{1} H(oldsymbol{pi}) \ ext { s.t }quadquadquadquadquadquad quadoldsymbol{pi}^{T} mathbf{1}_{k_{s}}=mathbf{w}_{t} \oldsymbol{pi} mathbf{1}_{k_{t}} leq mathbf{1}_{k_{s}} \mathbf{1}_{k_{t}}^{T} oldsymbol{pi}^{T} mathbf{1}_{k_{s}}=1 .end{array}$
其中 $pi$ 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,$langlecdot angle_{F}$ 为 Frobenius 点积,$langlepi, C angle_{F}$ 即为部分最优输运总代价,$H(pi)$ 为便于计算加入的正则化项,定义式
$H(oldsymbol{pi})=sum_{i j} pi_{i j} log pi_{i j}$
可保证约束条件后两项必然成立, 因此最终优化目标:$oldsymbol{pi}_{1}^{*}=arg min _{oldsymbol{pi}}langleoldsymbol{pi}, mathbf{C} angle_{F}+lambda_{1} H(oldsymbol{pi})$
$ ext { s.t } quad oldsymbol{pi}^{T} mathbf{1}_{k_{s}}=mathbf{w}_{t} ext {. }$
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:
$L=langleoldsymbol{pi}, mathbf{C} angle_{F}+lambda_{1} H(oldsymbol{pi})+oldsymbol{phi}^{T}left(oldsymbol{pi}^{T} mathbf{1}_{k_{s}}-mathbf{w}_{t} ight)$
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:
$egin{array}oldsymbol{pi}^{*}&=arg min _{oldsymbol{pi}}langleoldsymbol{pi}, mathbf{C} angle_{F}+lambda H(oldsymbol{pi})+eta Omega(oldsymbol{pi}) \ ext { s.t } & oldsymbol{pi}^{T} mathbf{1}_{k_{s}}=mathbf{w}_{t} \& oldsymbol{pi} mathbf{1}_{k_{t}}=mathbf{w}_{s} .end{array}$
其中 $ Omega(pi)$ 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 $pi^{*}$ 后, 可通过重心咉射计算出变换后的 $oldsymbol{p}_{s, i}$ 的值:
$hat{mathbf{p}}_{s, i}=arg min _{mathbf{p}} sum_{j} pi^{*}(i, j) cleft(mathbf{p}, mathbf{p}_{t, j} ight)$
当代价函数为欧式距樆时, 可表示为
$hat{mathbf{P}}_{s}=operatorname{diag}left(oldsymbol{pi}^{*} mathbf{1}_{k_{t}} ight)^{-1} oldsymbol{pi}^{*} mathbf{P}_{t}$
其中 $P_{t}$ 为目标表示,$widehat{P_{s}}$ 为源映射表示
使用计算出的 $ widehat{P_{s}}$ 和标签 $ Y_{s}$ 可建立模型以预测 $ P_{t}$ 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
相关文章
- EasyCVR对接华为iVS订阅摄像机和用户变更请求接口介绍
- 精选 | 腾讯云CDN内容加速场景有哪些?
- 模块化网络防止基于模型的多任务强化学习中的灾难性干扰
- 用搜索和注意力学习稳健的调度方法
- 用于多变量时间序列异常检测的学习图神经网络
- 助力政企自动化自然生长,华为WeAutomate RPA是怎么做到的?
- 使用腾讯轻量云搭建Fiora聊天室
- TSRC安全测试规范
- 云计算“功守道”
- 助力成本优化,腾讯全场景在离线混部系统Caelus正式开源
- Flink 利器:开源平台 StreamX 简介
- 腾讯云实践 | 一图揭秘腾讯碳中和?解决方案
- 深度学习中的轻量级网络架构总结与代码实现
- 信息系统项目管理师(高项复习笔记三)
- Adobe国际认证让科技赋能时尚
- c++该怎么学习(面试吃土记)
- 面试官问发布订阅模式是在问什么?
- 面试官:请实现一个通用函数把 callback 转成 promise
- 空中悬停、翻滚转身、成功着陆,我用强化学习「回收」了SpaceX的火箭
- 中山大学林倞解读视觉语义理解新趋势:从表达学习到知识及因果融合