ترجمه فارسی مقاله تطبیق دامنه تخاصمی برای تشخیص فعالیت بین کاربران با استفاده از یادگیری متمرکز بر نویز مبتنی بر انتشار

چکیده

Human Activity Recognition (HAR) plays a crucial role in various applications such as human-computer interaction and healthcare monitoring. However, challenges persist in HAR models due to the data distribution differences between training and real-world data distributions, particularly evident in cross-user scenarios. This paper introduces a novel framework, termed Diffusion-based Noise-centered Adversarial Learning Domain Adaptation (Diff-Noise-Adv-DA), designed to address these challenges by leveraging generative diffusion modeling and adversarial learning techniques. Traditional HAR models often struggle with the diversity of user behaviors and sensor data distributions. Diff-Noise-Adv-DA innovatively integrates the inherent noise within diffusion models, harnessing its latent information to enhance domain adaptation. Specifically, the framework transforms noise into a critical carrier of activity and domain class information, facilitating robust classification across different user domains. Experimental evaluations demonstrate the effectiveness of Diff-Noise-Adv-DA in improving HAR model performance across different users, surpassing traditional domain adaptation methods. The framework not only mitigates distribution mismatches but also enhances data quality through noise-based denoising techniques.

چکیده به فارسی (ترجمه ماشینی)

شناخت فعالیت های انسانی (HAR) نقش مهمی در کاربردهای مختلف مانند تعامل انسان و رایانه و نظارت بر مراقبت های بهداشتی دارد.با این حال ، چالش ها در مدل های HAR به دلیل تفاوت توزیع داده ها بین آموزش و توزیع داده های دنیای واقعی ، به ویژه در سناریوهای کاربر متقابل مشهود است.در این مقاله یک چارچوب جدید ، با عنوان سازگاری دامنه یادگیری مخالف مبتنی بر انتشار مبتنی بر انتشار (Diff-Noise-ADV-DA) ، طراحی شده است که با استفاده از مدل سازی انتشار مولد و تکنیک های یادگیری مخالف ، به منظور پرداختن به این چالش ها طراحی شده است.مدل های سنتی HAR اغلب با تنوع رفتارهای کاربر و توزیع داده های سنسور مبارزه می کنند.Diff-Noise-ADV-DA به طور خلاقانه نویز ذاتی را در مدلهای انتشار ادغام می کند و از اطلاعات نهفته آن برای تقویت سازگاری دامنه استفاده می کند.به طور خاص ، این چارچوب نویز را به یک حامل مهم فعالیت و اطلاعات کلاس دامنه تبدیل می کند و طبقه بندی قوی را در حوزه های مختلف کاربر تسهیل می کند.ارزیابی های تجربی نشان دهنده اثربخشی Diff-Noise-ADV-DA در بهبود عملکرد مدل HAR در کاربران مختلف ، از روشهای سازگاری دامنه سنتی است.این چارچوب نه تنها عدم تطابق توزیع را کاهش می دهد بلکه کیفیت داده ها را از طریق تکنیک های مبتنی بر سر و صدا افزایش می دهد.