精选理由
这篇论文拆解了HAR模型在真实场景中表现不佳的原因，系统测试了4种偏移和28种方法，结论对做可穿戴设备或传感器AI的人很有参考价值。
该论文系统评估了人类活动识别（HAR）中4种分布偏移：设备类型、传感器位置、采样率和用户行为。研究发现多样性偏移主导所有偏移类型，表明不同域间存在独特特征。论文引入了统一的HAR分布偏移基准，并全面评估了28种域泛化方法。结果显示现有域泛化算法在实现模型泛化上仅微弱优于经验风险最小化基线。这是首个针对传感器HAR中特定分布偏移的域泛化和适应系统性探索，并提供了开源基准平台和数据集。
AI 翻译 · 中文
该论文系统评估了人类活动识别（HAR）中4种分布偏移：设备类型、传感器位置、采样率和用户行为。研究发现多样性偏移主导所有偏移类型，表明不同域间存在独特特征。论文引入了统一的HAR分布偏移基准，并全面评估了28种域泛化方法。结果显示现有域泛化算法在实现模型泛化上仅微弱优于经验风险最小化基线。这是首个针对传感器HAR中特定分布偏移的域泛化和适应系统性探索，并提供了开源基准平台和数据集。
While the field of Human Activity Recognition (HAR) continues to draw interest from researchers and advance in important ways, some key challenges remain. One of the most difficult aspects of building HAR models that sho…