Clustering Profond Efficace des Activités Humaines et Comment Améliorer l'Évaluation

Depuis récemment, de nombreuses recherches ont été menées dans le domaine de la reconnaissance d’activités humaines (HAR), en raison de la prolifération des capteurs portables intégrés dans les montres et les téléphones, ainsi que des progrès réalisés dans les méthodes d’apprentissage profond, qui permettent d’éviter l’extraction manuelle de caractéristiques à partir des signaux bruts des capteurs. Un inconvénient majeur de l’application de l’apprentissage profond à HAR réside dans la nécessité de données d’entraînement étiquetées manuellement, ce qui s’avère particulièrement difficile à obtenir pour les jeux de données HAR. Des progrès commencent toutefois à être réalisés dans le cadre non supervisé, notamment à travers des modèles de clustering profond pour HAR, capables d’attribuer des étiquettes aux données sans avoir été entraînés sur des données étiquetées. Toutefois, l’évaluation de ces modèles de clustering profond pour HAR pose des problèmes, rendant difficile l’évaluation du domaine et la conception de nouvelles méthodes. Dans cet article, nous mettons en évidence plusieurs problèmes distincts liés à l’évaluation des modèles de clustering profond pour HAR, en décrivant en détail ces difficultés et en menant des expériences soigneuses afin d’illustrer leur impact potentiel sur les résultats. Nous proposons ensuite des solutions à ces problèmes et suggérons des configurations d’évaluation standard pour les futurs modèles de clustering profond pour HAR. En outre, nous présentons un nouveau modèle de clustering profond pour HAR. Lorsqu’il est testé dans les conditions que nous proposons, notre modèle obtient des performances supérieures (ou équivalentes) à celles des modèles existants, tout en étant plus efficace et mieux adapté à l’échelle sur des jeux de données plus complexes, grâce à l’absence de besoin d’un autoencodeur.