双曲自己-paced学習を用いた自己教師型骨格ベース行動表現の構築

自己 paced 学習は、弱教師付き学習やドメイン適応など、初期の知識が一部得られるタスクにおいて、簡単なサンプルから複雑なサンプルへと訓練サンプルの順序を選び並べることで効果を発揮している。しかし、学習の過程でタスクに関する知識が徐々に発展する無教師学習においては、その適用可能性はまだ十分に検討されていない。本研究では、骨格に基づく行動表現の学習を目的として、新しいハイパボリック自己 paced モデル（HYSP）を提案する。HYSP は自己教師学習（self-supervision）を採用し、同一サンプルに対してデータ拡張を用いて二つの視点（ビュー）を生成し、一方（オンライン）をもう一方（ターゲット）と一致させる形で学習を行う。本研究では、不確実性が低いサンプルの方が学習をより強く駆動すべきであるという仮定の下、ハイパボリック不確実性を用いてアルゴリズムの学習速度を決定することを提案する。このハイパボリック不確実性は、採用したハイパボリックニューラルネットワークの副産物として得られるものであり、従来のユークリッド型自己教師学習フレームワークと比較して、追加コストなしに学習の進行とともに成熟する。3つの定評ある骨格ベース行動認識データセットにおける実験結果から、HYSP は PKU-MMD I において最先端性能を達成し、NTU-60 および NTU-120 における3つの下流タスクのうち2つでも優れた性能を示した。さらに、HYSP は正例ペアのみを用いるため、対照的学習手法で必要となる負例の抽出や複雑かつ計算コストの高いマイニング手順を回避できる。実装コードは https://github.com/paolomandica/HYSP で公開されている。