Federated Learning for IoMT-Enhanced Human Activity Recognition with Hybrid LSTM-GRU Networksをざっくり読む
from 音響イベント検出モデルの良さげな論文を集める
Federated Learning for IoMT-Enhanced Human Activity Recognition with Hybrid LSTM-GRU Networksについて
これで良くない?
やりたいこと大体全部やってる
半教師あり学習をやっているかが懸念か
継続学習にあたってどう着手しているか
というか継続学習で調べればいいのでは?
一旦論文を読もう
ローカルのラベルがないデータについて触れてなくない?
継続学習で破滅的忘却にどう対処するかってどこに書いてある?
聞いてみるか
なさそう
継続学習の検討をまずしてない
FLでモデルを組むところまで
やっぱり継続学習の視点がない
研究目的がよくわからない
かなりざっくりだった
HARシステムが高齢化とかで需要がましてて必要~くらいに流されている
強調されているのはモデルで行っていることとか
リソースの限られたエッジデバイスでリアルタイムに学習・推論を行うことを念頭に置いているらしい
が評価基準にエネルギー効率と推論速度,計算量はあっただろうか > ない
????? 計算量が減ると主張していたはずなのに,実験で確認していないのには疑問が残る
IoMTがなぜ必要かなどの背景まで深掘りしていない
モデルアーキテクチャが気になる
結局CNN-LSTM-GRU-Transformerの組み合わせなのか?
Perceptive Extraction Networkを使っているらしいが,参考文献とか関連研究はないだろうか
古いやつでA federated learning system with enhanced feature extraction for human activity recognitionがあった
実験を見たが継続学習の視点はなさそうに見える
どういうことだ?
アーキテクチャを提案して,既存のデータセットで学習し,他の構造より性能が上がったよね,で止まっているということ?
モデルは加速度計を対象にしている
この点でタスクの性質がかなり異なっているように思う
音響イベント検出タスクは,時間的境界の強ラベルと,あるセグメントでどのイベントが起きたかの弱ラベルの両方を手がかりにする
特徴抽出のための工夫は非常に参考になりそうだが,半教師あり学習を加えるなどこちらは工夫が必要
先の音響イベント検出モデルと合わせてモデルを組めたら良さそう