Otávio Oliveira Napoli

新分析揭示了人类活动识别中单个域泛化组件的收益有限

一项对智能手机端人类活动识别（HAR）域泛化（DG）技术的系统性分析显示，单个组件的收益有限。该研究进行了超过41万次实验，发现替代训练目标很少能持续优于经验风险最小化（ERM），而动态域泛化等架构修改则显示出独立的改进。然而，结合多个DG组件通常能产生更优的结果，尽管这些收益取决于具体的模型和数据偏移场景。研究还强调了当前性能与潜在收益之间存在显著差距，表明需要更好的模型选择策略。