HAR-FLの複数異常検知に関する検討

cf.

懸念

シグモイドを使う

どこかに書いてあった

ある音について,どのイベントである可能性が最も高いかを出力させたい

大量のラベルを正しく判定できる?

鳥の鳴き声を分類するやつはできていた

名前なんだっけ

あれを参考にすればいい感じにできるかも

あちらは複数のラベルに音声を分類し,最も確率が高いラベルを提示する形だったはず

今回のような用途なら,上位3つのラベルを表示などで良いかもしれない

あとで考えるか

真の異常検知を実現するにはどうすれば良い?

一週間ほど音声を録音

それをモデルに与えて学習させれば,異常かそうでないかが分かるのでは

オートエンコーダと違うのは,事前に音響関係の学習を行なっていること

あるいはそれらの組み合わせもありか?

音から音響イベントを検知するモデル

音から異常か平常か判定するモデル

時間的な文脈から異常かどうか判定

イベント検出と合わせて動作

みたいな?

HAR-FLにおける課題を踏まえ,研究計画を考える

研究の段階として,まず異常音の検知で良いのでは

初期段階として,複数の音,特に異常に関する音をマルチラベル分類する

そこを足がかりに,本質的な異常検知に進めば良い

最終的な目標が本質的な異常検知になる

以下は具体的な内容

モデルの検討

共通部分と異常特有の特徴を学習してほしい

ラベル分類にも対応してほしい

現在のモデル構築を確認

目的に沿ったモデルの検討が必要?

色々試した後で良いかも

データの収集

オープンデータから良さげなデータを集める必要がある

ADLと異常に関する音を収集

異常の程度を学習させるか否かは微妙

明らかに異常な場合の音のみ使おうかな

時間的特徴や文脈を学習させたい

平常時と異常時で異なるそれらを持つはず

どのような異常か判定してほしい

行動認識モデルを検証

精度について,以下で検証

モデルを二つ用意する

マルチクラス分類

マルチラベル分類

どちらの方がより異常の分類に適切かを確認するため

データを集めたら,今のモデルでどれくらいできるか確認

ADLの判定ができるか確認

FLモデルを検証

行動認識モデルの検証が終わり次第,FLの適用に移りたい

その間,FLアルゴリズムを検証

ADLについてHAR-FLモデルを構築

NonIIDに関するアルゴリズムを試す

できればIoTデバイス向けの手法も検証したい

各種量子化 > 量子化が妥当な手法か,先行研究はあるか,など確認が必要

必要な計算資源の削減

通信効率の向上

学習・推論速度向上

他の手法

バッテリは後回し