基于元学习和注意力机制的用户行为识别研究

TP181; 深度学习技术研究的深入,极大地促进了其在行为识别领域的应用和发展.目前基于深度学习的行为识别研究不可避免地依赖于大量的训练数据,而基于传感器数据的行为识别问题往往在实际应用中需要面向不同的新用户,导致存在用户数据个性化的问题且难以解决,即不同个体在进行同一行为动作时不可避免地会产生一些数据差异,模型在面对新用户时并不能保证对其具有良好的预期行为识别度,而每次针对新用户采集大量训练数据以进行重新建模缺乏实施可行性.针对这一难题,小样本学习技术在新的任务上仅使用少量数据就能够达到较好效果,即在行为识别问题上,每个新用户仅需采样少量的数据即可完成分类.文中结合小样本学习和行为识别算法,提出了新的解决方案——MAML-M模型.首先采用基于优化的元学习方法根据用户类型对数据集进行划分,并将其构建为多个用户任务用于训练和测试;然后在MAML-M模型中引入了 MAML方法以及基于注意力机制的Memory模块;最后提高模型网络提取并归纳数据特征的能力.通过在MEx数据集上进行对比实验,结果证明在小样本设定下,所提出的MAML-M模型优于传统的深度学习方法.