Apprentissage continu pour la reconnaissance d'activités

Continual Learning in Human Activity Recognition

• Auteur / Autrice : Bonpagna Kann
• Direction : Philippe Lalanda
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 01/09/2021
• Etablissement(s) : Université Grenoble Alpes
• Ecole(s) doctorale(s) : École doctorale mathématiques, sciences et technologies de l'information, informatique (Grenoble ; 199.-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'Informatique de Grenoble
• Partenaire(s) de recherche : Equipe de recherche : ADELE - Environnements pour le génie logiciel (ancien LSR)

Mots clés

Mots clés libres

Smart services

Pervasive computing

Edge computing

Human activity recognition

Résumé

La reconnaissance de l'activité humaine (HAR) basée sur des capteurs est l'une des technologies émergentes, axée sur l'intégration des appareils des utilisateurs pour suivre leurs activités quotidiennes. À l'aide de capteurs intégrés tels que des accéléromètres et des gyroscopes, les appareils collectent les données de santé des utilisateurs et effectuent des calculs locaux avant de donner des conseils aux utilisateurs en temps réel. Même si le Machine Learning (ML) aide les applications logicielles à produire des prédictions plus précises en identifiant le modèle dans les données cachées dans des ensembles de données massifs, il existe des défis liés à l'oubli catastrophique : comment le modèle oublie les anciennes connaissances après s'être entraîné aux nouvelles tâches. Pour résoudre ce problème, l'apprentissage continu a été introduit pour apprendre un grand nombre de tâches de manière séquentielle avec de nouvelles données sans utiliser les anciennes données. L'objectif de notre thèse se concentre sur la construction d'un cadre de sélection d'échantillons en CL pour conserver la précision du modèle dans plusieurs tâches de formation.

Sensor-based human activity recognition (HAR) is one of the emerging technologies, focusing on integrating the users' devices to keep track of users' daily activities. Using embedded sensors such as accelerometers and gyroscopes, the devices collect users' health data and perform local computations before giving users advice in real time. Even though Machine Learning (ML) helps software applications produce more accurate predictions by identifying the pattern in the data hidden within massive data sets, there are challenges related to catastrophic forgetting: how the model forgets the old knowledge after training on the new tasks. To tackle this issue, Continual Learning was introduced to learn the large number of tasks sequentially with new data without using the old data. Our thesis objective focuses on constructing a sample selection framework in CL to retain the accuracy of the model in multiple training tasks.