Towards Equitable ASD Diagnostics: A Comparative Study of Machine and Deep Learning Models Using Behavioral and Facial Data
University of North Texas（北得克萨斯大学）；Fordham University（福特汉姆大学）
本研究比较机器学习与深度学习模型，利用行为和面部数据提升ASD诊断公平性，随机森林达100%准确率，MobileNet在图像分析中优于基线，有望改善女性等诊断不足群体的筛查。
2024-11-08 cs.AI cs.CV cs.LG
Continuous Gesture Recognition from sEMG Sensor Data with Recurrent Neural Networks and Adversarial Domain Adaptation
JetBrains Research（JetBrains研究院）；University of York（约克大学）；National Research University Higher School of Economics（国家研究型高等经济学院）
近年来，假肢的运动控制取得了很大的进展。新的传感器和控制技术增强了假肢的功能和实用性，使其能够在有限的范围内进行复杂的运动，如抓握。迄今为止，最成功的结果是通过应用循环神经网络（RNN）实现的。然而，在假手领域，迄今为止的实验仅限于非移动手腕，这大大降低了这种假肢的功能。在本文中，第一次，我们提出了移动和非移动手腕的手势识别的实证结果。此外，我们证明了具有简单递归单元（SRU）的循环神经网络在手势识别准确性方面优于常规RNN，这些数据是通过臂带从手臂肌肉（通过表面肌电图或sEMG）感知电磁信号获得的。最后，我们表明，将领域自适应技术添加到RNN的连续手势识别中，可以提高受试者之间的传输能力，其中在一个人的数据上训练的肢体控制器用于另一个人。
2020-12-16 cs.LG eess.SP
Image Based Food Energy Estimation With Depth Domain Adaptation
Purdue University（普渡大学）
对膳食摄入量的评估主要依靠自我报告工具，这种工具容易出现测量误差。饮食评估方法越来越多地采用技术进步，特别是移动，基于图像的方法，以解决这些限制和进一步自动化。移动的、基于图像的方法可以通过从由移动设备捕获的进食场合图像自动估计饮食摄入来减少用户负担和偏差。在本文中，我们提出了一个“能量密度图”，这是一个像素到像素的映射从RGB图像的能量密度的食物。然后，我们将“能量密度图”与由深度传感器捕获的相关深度图相结合，以估计食物能量。该方法在Nutrition5k数据集上进行了评估。实验结果表明，与基线方法相比，改进的结果具有13.29 kCal的平均误差和13.57%的平均百分比误差之间的地面实况和估计的能量的食物。
2022-08-25 cs.AI cs.CV cs.LG
Routine Clustering of Mobile Sensor Data Facilitates Psychotic Relapse Prediction in Schizophrenia Patients
我们的目标是开发聚类模型，从连续的多模态移动传感数据中获得行为表征，以实现复发预测任务。所识别的集群可以代表与患者日常生活相关的不同常规行为趋势以及与即将复发相关的非典型行为趋势。我们使用CrossCheck项目中获得的移动传感数据进行分析。来自六种不同的基于移动传感的模式（例如环境光、声音/对话、加速度等）的连续数据从总共63名精神分裂症患者中获得，每个患者被监测长达一年，用于聚类模型和复发预测评估。两个聚类模型，高斯混合模型（GMM）和分区周围的中心点（PAM），从移动传感数据获得的行为表示。从聚类模型获得的特征用于使用平衡随机森林训练和评估个性化复发预测模型。通过基于由年龄相似的其他患者组成的个性化子集来识别给定患者的最佳特征来完成个性化。发现使用GMM和PAM模型识别的聚类代表不同的行为模式（例如代表久坐日、活跃但低通信日等的聚类）。从聚类模型中获得的行为表征特征在复发期附近发生了显着变化。基于聚类模型的特征，连同表征移动感测数据的其他特征，导致在留一患者评估设置中复发预测任务的F2得分为0.24。该获得的F2分数显著高于平均F2分数为0.042的随机分类基线。
2022-02-21 cs.LG
Research Issues in Mining User Behavioral Rules for Context-Aware Intelligent Mobile Applications
Swinburne University of Technology（斯威本科技大学）
智能移动应用中的上下文感知由于其应用的智能性而成为一个日益增长的研究领域。为了构建情境感知的智能应用，利用智能手机用户的通话日志数据挖掘个体智能手机用户的情境行为规则是关键。然而，要挖掘这些规则，一些问题，如智能手机数据的质量，理解上下文的相关性，连续上下文数据的离散化，发现有用的行为规则的个人和他们的排序，基于知识的交互式后挖掘语义理解，并根据他们目前的行为动态更新和管理规则，进行了调查。本文简要讨论了这些问题及其潜在的解决方向，挖掘个人的行为规则，以建立各种上下文感知的智能移动应用程序的目的。我们还总结了一些现实生活中的基于规则的应用程序，智能地协助个人智能手机用户根据他们的行为规则在他们的日常活动。
2018-10-30 cs.LG stat.ML
Patient-independent Schizophrenia Relapse Prediction Using Mobile Sensor based Daily Behavioral Rhythm Changes
Rice University（莱斯大学）；University of Washington（华盛顿大学）；Dartmouth College（达特茅斯学院）；Cornell University（康奈尔大学）；Northwell Health（诺斯韦尔医疗系统）
精神分裂症复发对患者的健康，工作，有时甚至生命安全都有严重的后果。如果可以及时预测即将到来的复发，例如通过检测患者的早期行为变化，那么可以提供干预措施来预防复发。在这项工作中，我们研究了一个基于机器学习的精神分裂症复发预测模型，使用移动传感数据来表征行为特征。评价了一种提供序贯预测的独立于患者的模型，该模型密切代表了复发预测的临床部署场景。该模型使用最近四周的移动传感数据来预测下周即将到来的复发。我们使用从移动传感数据的日常模板中提取的行为节律特征，通过EMA（生态瞬时评估）收集的自我报告症状，以及人口统计数据来比较不同分类器的复发预测。在由63名精神分裂症患者组成的数据集中进行评估时，基于朴素贝叶斯的模型给出了最佳结果，F2评分为0.083，每个患者监测长达一年。获得的F2评分虽然较低，但优于随机分类的基线性能（F2评分为0.02 $\pm$ 0.024）。因此，移动传感对于检测即将到来的复发具有预测价值，需要进一步研究以提高当前性能。为此，基于患者行为特质的进一步特征工程和模型个性化可能会有所帮助。
2021-06-25 cs.LG eess.SP
A Framework for Behavioral Biometric Authentication using Deep Metric Learning on Mobile Devices
Old Dominion University（欧道明大学）；University of Delaware（特拉华大学）；Shenzhen Institutes of Advanced Technology, Chinese Academy of Science（中国科学院深圳先进技术研究院）；Futurewei Technologies（未来华为技术有限公司）
使用行为生物识别技术的移动认证一直是一个活跃的研究领域。现有的研究依赖于构建机器学习分类器来识别个体的独特模式。然而，这些分类器没有足够的能力来学习判别特征。当在移动设备上实现时，它们面临着来自行为动态、数据隐私和侧通道泄漏的新挑战。为了解决这些挑战，我们提出了一个新的框架，将培训电池供电的移动设备，所以私人数据永远不会离开设备和培训可以灵活地安排，以适应在运行时的行为模式。我们将分类问题重新表述为深度度量学习，以提高区分能力，并设计一种有效的对策，通过在感知信号中嵌入噪声特征来阻止侧信道泄漏，而不会牺牲太多的可用性。实验表明，在三个公共数据集上的认证准确率超过95%，从多类分类中获得了15%的收益，数据更少，对暴力攻击和侧信道攻击的鲁棒性分别为99%和90%。我们展示了使用移动CPU进行训练的可行性，其中训练100个epoch需要不到10分钟的时间，并且可以通过特征转移提高3-5倍。最后，我们分析内存，能源和计算开销。我们的研究结果表明，训练消耗的能量低于观看视频，略高于玩游戏。
2020-08-17 cs.LG stat.ML
Transformer-Based Behavioral Representation Learning Enables Transfer Learning for Mobile Sensing in Small Datasets
University of Washington（华盛顿大学）
虽然深度学习已经彻底改变了NLP和计算机视觉的研究和应用，但行为建模和行为健康应用尚未实现。这是因为域的数据集较小，具有异构数据库，并且通常表现出很大程度的缺失。因此，现成的深度学习模型需要大量的，通常是禁止的适应。因此，许多研究应用程序仍然依赖于手动编码的特征与提升的树模型，有时与任务特定的功能手工制作的专家。在这里，我们通过为移动传感数据提供一个神经架构框架来解决这些挑战，该框架可以从时间序列中学习可概括的特征表示，并通过微调证明了小数据域上迁移学习的可行性。这种架构结合了CNN和Trans-former架构的优势，以（1）通过直接从原始分钟级传感器数据学习，而无需高达0.33 ROC AUC的手工特征，从而实现更好的预测性能，以及（2）使用预训练来超越更简单的神经模型，并使用来自几十个参与者的数据来提升决策树。
2021-07-09 cs.HC cs.LG
Explainable Prediction from Mobile Sensing Data through LLM-guided Concept Integration
University of Turku（图尔库大学）；University of California, Irvine（加利福尼亚大学尔湾分校）
针对小规模移动感知研究中预测难和可解释性差的问题，提出概念整合Transformer（CIT），利用大语言模型生成概念监督，在两个数据集上取得最优F1分数，并揭示可解释的行为生理模式。
2026-09-14 cs.LG
On the Structural Limitations of Weight-Based Neural Adaptation and the Role of Reversible Behavioral Learning
Malla Reddy University（马拉拉迪大学）
本研究提出可逆行为学习，通过解耦模型行为与身份参数，实现可逆的神经适应，解决传统共享参数突变导致的不可逆行为变化问题。
2026-03-03 cs.AI cs.LG
An Adaptive Optimization Approach to Personalized Financial Incentives in Mobile Behavioral Weight Loss Interventions
UW Madison（威斯康星大学麦迪逊分校）
针对预算约束下经济激励减重干预的依从性与个性化分配难题，提出结合个体激励反应预测模型与自适应优化框架的方法，并给出理论保证和模拟验证。
2023-07-14 cs.LG math.OC
Personality Trait Inference Via Mobile Phone Sensors: A Machine Learning Approach
Barcelona School of Economics（巴塞罗那经济学院）；Koa Health
本研究利用手机传感器活动数据与机器学习方法预测人格，在二分类问题上F1分数最高达0.78，并揭示了对大五人格特质具有差异化预测能力的行为模式，为大规模免问卷人格评估提供了新途径。
2024-01-22 cs.LG eess.SP
Responsive DNN Adaptation for Video Analytics against Environment Shift via Hierarchical Mobile-Cloud Collaborations
Shanghai Jiao Tong University（上海交通大学）
本文提出MOCHA框架，通过移动端模型复用与快速微调、云端结构化专家模型检索及机载缓存预取，提升视频分析DNN在环境偏移下连续适配的响应性，实现准确率提升6.8%并显著降低延迟与重训练时间。
2025-04-30 cs.CV cs.LG
Passive detection of behavioral shifts for suicide attempt prevention
Universidad Carlos III de Madrid（马德里卡洛斯三世大学）；F. Jiménez Díaz Hospital（F. 希门尼斯·迪亚斯医院）；Evidence-Based Behavior (eB2)（循证行为（eB2））
全世界每年有超过一百万人自杀。日常护理费用、社会耻辱和治疗问题仍然是心理健康领域需要克服的困难。精神障碍的大多数症状与患者的行为状态有关，例如活动或社会活动。基于移动的技术允许被动收集患者数据，这补充了依赖于有偏见的问卷和偶尔的医疗预约的传统评估。在这项工作中，我们提出了一个非侵入性的机器学习（ML）模型来检测精神病患者的行为转变，从智能手机应用程序收集的不引人注目的数据。我们的临床验证结果揭示了早期检测移动工具的想法，用于预防自杀企图的任务。
2020-11-14 cs.CY cs.LG
MMQ: Multimodal Mixture-of-Quantization Tokenization for Semantic ID Generation and User Behavioral Adaptation
Alibaba Group（阿里巴巴集团）；Peking University（北京大学）；Beijing University of Aeronautics and Astronautics（北京航空航天大学）；Wuhan University, School of Computer Science（武汉大学计算机学院）
MMQ通过多模态混合量化标记化方法，解决推荐系统中多模态协同、特定性和行为适应的挑战，提升语义ID生成和用户行为适应能力。
2025-08-21 cs.IR cs.LG
From Static Constraints to Dynamic Adaptation: Sample-Level Constraint Relaxation for Offline-to-Online Reinforcement Learning
Department of Computer Science, Florida State University, Tallahassee, FL, USA（佛罗里达州立大学计算机科学系）
本文提出DARE框架，通过行为一致性实现样本级约束放松，解决了离线到在线强化学习中保留离线保守性与适应在线反馈之间的挑战，改进了细调稳定性并优于现有基线。
2026-05-17 cs.LG
A Data-Centric Behavioral Machine Learning Platform to Reduce Health Inequalities
为低收入和中等收入国家的一线卫生工作者提供改善健康结果的建议和预测，可以对减少医疗保健不平等产生巨大影响，例如帮助防止每天发生的数千例孕产妇和新生儿死亡。为此，我们正在开发一个以数据为中心的机器学习平台，利用这些国家运行的各种移动健康应用程序的行为日志。在这里，我们描述了平台架构，重点是帮助我们在整个过程中最大限度地提高数据质量和组织的细节，从数据科学软件开发工具包的数据摄取到数据管道，功能工程和模型管理。
2021-11-17 cs.LG
Psychotic Relapse Prediction in Schizophrenia Patients using A Mobile Sensing-based Supervised Deep Learning Model
Rice University（莱斯大学）；Stanford University（斯坦福大学）
基于移动感知的行为变化模型可以预测精神分裂症患者即将发生的精神病复发，以便及时干预。深度学习模型可以通过对与预测相关的潜在行为特征进行建模来补充现有的非深度学习模型以进行复发预测。然而，考虑到个体间的行为差异，预测模型可能需要模型个性化。在这项工作中，我们提出了RelapsePredNet，这是一种基于长短期记忆（LSTM）的神经网络模型，用于复发预测。通过使用来自与给定患者最相似的患者的数据进行训练，该模型针对特定患者进行个性化。几个人口统计学和基线心理健康评分被认为是个性化指标，以定义患者的相似性。我们研究了个性化对训练数据集特征、学习嵌入和复发预测性能的影响。我们将RelapsePredNet与基于深度学习的异常检测模型进行了比较，以进行复发预测。此外，我们研究了RelapsePredNet是否可以通过识别与复发预测相关的潜在行为特征，在融合模型中补充RecurterRFModel（一种利用先前工作中提出的聚类和模板特征的随机森林模型）。CrossCheck数据集包括从63名精神分裂症患者中获得的连续移动感知数据，每个患者监测长达一年，用于我们的评估。提出的RelapsePredNet在复发预测方面优于基于深度学习的异常检测模型。在全测试集和复发测试集（由仅复发患者的数据组成）中，预测的F2评分分别为0.21和0.52。与现有的基于深度学习的复发预测模型相比，这两个模型分别提…
2022-05-24 cs.LG eess.SP
Behavioral Exploration: Learning to Explore via In-Context Adaptation
Department of Electrical Engineering \& Computer Science, University of California, Berkeley
提出行为探索方法，通过训练长上下文生成模型在专家行为空间内实现上下文适应，使智能体能够快速在线探索与适应，并在模拟和真实机器人任务中验证了其有效性。
2025-07-11 cs.LG cs.RO cs.SY
Automated Federated Learning in Mobile Edge Networks -- Fast Adaptation and Convergence
Singapore University of Design and Technology（新加坡科技设计大学）；East China Normal University（华东师范大学）；University of Electronic Science and Technology of China（电子科技大学）；Beihang University（北京航空航天大学）
联邦学习（FL）可以在移动边缘网络中用于以分布式方式训练机器学习模型。最近，FL已被解释模型无关的元学习（MAML）框架内，这使得FL在快速适应和收敛异构数据集的显着优势。然而，现有的研究只是简单地将MAML和FL结合起来，而没有明确地解决MAML给FL带来了多少好处以及如何在移动边缘网络上最大化这种好处。在本文中，我们从两个方面量化了好处：优化FL超参数（即，采样数据大小和通信循环数）和资源分配（即，发射功率）。具体来说，我们制定了基于MAML的FL设计作为一个整体的学习时间最小化问题，模型精度和能源消耗的约束下。通过基于MAML的FL的收敛性分析，我们将问题分解，然后使用解析解和坐标下降法求解。利用获得的FL超参数和资源分配，设计了一种基于MAML的FL算法，称为自动联邦学习（AutoFL），能够进行快速自适应和收敛。大量的实验结果表明，AutoFL优于其他基准算法的学习时间和收敛性能。
2023-03-23 cs.DC cs.LG
Fast Adaptation with Behavioral Foundation Models
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；FAIR at Meta（Meta FAIR研究院）；UMass Amherst（马萨诸塞大学阿默斯特分校）
本文针对行为基础模型零样本策略因训练和推理误差而次优的问题，提出在预训练模型低维任务嵌入空间中搜索的快速适应策略，在几十个回合内实现10-40%的性能提升，并避免微调初期的性能下降。
2025-04-10 cs.AI cs.LG cs.RO
CrowdHMTware: A Cross-level Co-adaptation Middleware for Context-aware Mobile DL Deployment
提出CrowdHMTware，一种面向异构移动设备的动态上下文自适应DL模型部署中间件，通过在弹性推理、可扩展卸载和模型自适应引擎间建立自动化适应循环，解决了跨层级协同适应难题，有效提升了多平台多任务的扩展性与适应性。
2025-03-06 cs.AI cs.LG
Individualized Time-Series Segmentation for Mining Mobile Phone User Behavior
Swinburne University of Technology（斯威本科技大学）；Charles Sturt University（查尔斯史都华大学）
手机可以记录个人的日常行为数据作为一个时间序列。在本文中，我们提出了一个有效的时间序列分割技术，提取最佳的时间段，利用他们的手机数据的个人的相似的行为特征。个人行为的决定因素之一是在一天中的不同时间和一周中的不同日子进行的各种活动。在许多情况下，这种行为将遵循时间模式。目前，研究人员使用基于等间隔或不等间隔的时间分割来挖掘手机用户的行为。其中大多数考虑到24小时一天的静态时间范围，很少考虑到时间序列数据中的发病率。然而，这样的分割不一定映射到个体用户活动和后续行为的模式，因为没有考虑个体在一周时间内的不同行为。因此，我们提出了一个面向行为的时间分割（BOTS）技术，不仅考虑到了一周的时间覆盖范围，但也有不同的行为发生的数量动态产生类似的行为时间段在一周内利用时间序列数据。在真实手机数据集上的实验表明，我们提出的分割技术可以更好地捕捉用户在一天中不同时间和一周中不同日子的主导行为，从而生成高置信度的时间规则，以挖掘单个手机用户的行为。
2018-11-15 cs.CY cs.LG stat.ML
Sensor-based Continuous Authentication of Smartphones' Users Using Behavioral Biometrics: A Contemporary Survey
University of Central Florida（中佛罗里达大学）；Ewha Womans University（梨花女子大学）
移动设备和技术已经变得越来越流行，提供了与台式计算机相当的存储和计算能力，允许用户存储敏感和私人信息并与之交互。由于移动设备容易受到未经授权的访问或盗窃，因此这种个人信息的安全性和保护变得越来越重要。用户身份验证是一项至关重要的任务，它在进入点授予合法用户访问权，并在整个使用会话中持续进行。这一任务通过当今智能手机的嵌入式传感器得以实现，这些传感器通过捕获行为生物特征和特征来实现连续和隐式用户身份验证。在本文中，我们调查了140多个最近的基于行为生物特征的方法，用于连续用户身份验证，包括基于运动的方法（28项研究），基于步态的方法（19项研究），基于动态的方法（20项研究），基于触摸手势的方法（29项研究），基于语音的方法（16项研究），和基于多模态的方法（34项研究）。该调查概述了使用智能手机嵌入式传感器捕获的行为生物识别技术进行持续用户身份验证的当前最先进方法，包括采用、可用性和性能方面的见解和开放性挑战。
2020-05-10 cs.CR cs.HC cs.LG
Autonomous AI Surveillance: Multimodal Deep Learning for Cognitive and Behavioral Monitoring
Department of BS Data Science, Gift University, Gujranwala, Pakistan（数据科学系，Gift大学，巴基斯坦）
本文提出一种融合困倦检测、手机使用追踪与人脸识别的多模态课堂监控系统，基于YOLOv8和LResNet等模型实现实时监测与自动考勤，并在多个数据集上取得高精度结果。
2025-07-02 cs.AI cs.CV cs.LG
CAPABLE: Capability-Aware Policy Adaptation via Behavioral Latent Encoding
University of Bremen（不来梅大学）；University of North Texas（北得克萨斯大学）；Toyota Motor North America（丰田北美汽车公司）
CAPABLE是结合自监督能力推理与残差强化学习的VLA策略自适应框架，在28个LIBERO任务中提升故障执行器成功率，可迁移至多关节及未见故障族，在Franka Panda上验证有效。
2026-10-09 cs.LG cs.RO cs.SY
M3BAT: Unsupervised Domain Adaptation for Multimodal Mobile Sensing with Multi-Branch Adversarial Training
Idiap Research Institute（伊迪亚普研究所）；EPFL（洛桑联邦理工学院）
针对多模态移动感知中的分布偏移问题，提出基于多分支对抗训练的无监督域适应方法M3BAT，在分类和回归任务上显著提升模型在未见域的部署性能。
2024-04-26 cs.AI cs.CY cs.HC
Hold On and Swipe: A Touch-Movement Based Continuous Authentication Schema based on Machine Learning
University of Wisconsin – Eau Claire（威斯康星大学欧克莱尔分校）；North Carolina A&T State University（北卡罗来纳农工州立大学）
近年来，存储在移动设备上的安全信息量呈指数级增长。然而，目前的移动设备安全模式，如生理生物识别和密码，不足以保护这些信息。行为生物识别技术已经被大量研究，作为移动设备安全缺陷的可能解决方案。本研究的目的是通过评估一个多模态的行为生物识别为基础的用户认证方案，使用触摸动态和手机移动的性能，这一创新的研究作出贡献。这项研究使用了两个流行的公开数据集的融合，手部运动方向和抓握数据集和BioIdent数据集。本研究使用三种常见的机器学习算法来评估我们的模型性能，这三种算法是随机森林支持向量机和K-最近邻，其准确率高达82%，每种算法分别针对所有报告的成功指标执行。
2022-01-21 cs.CR cs.LG
CalBehav: A Machine Learning based Personalized Calendar Behavioral Model using Time-Series Smartphone Data
Swinburne University of Technology（斯威本科技大学）；Chittagong University of Engineering and Technology（吉大港工程技术大学）；La Trobe University（拉筹伯大学）
电子日历是当今管理我们日常生活约会或日程安排的宝贵资源，也称为事件，范围从专业到高度个人化。研究人员研究了各种类型的日历事件，以预测智能手机用户对传入移动通信的行为。然而，这些研究通常没有考虑到个体之间的行为差异。在现实世界中，智能手机用户在他们预定的事件期间如何响应传入通信方面可能彼此差异很大。此外，个体用户可以在不同的上下文中不同地响应传入通信，这取决于在她的个人日历中安排了什么类型的事件。因此，用于个体智能手机用户的基于静态手机的行为模型不一定反映他们对传入通信的行为。在本文中，我们提出了一个基于机器学习的上下文感知模型，该模型是个性化的，并使用记录的时间序列智能手机数据动态识别个人的主要行为，并简称为"CalBehav'"。基于日历和电话日志的真实数据集的实验结果表明，与现有的基于日历的方法相比，这种数据驱动的个性化模型更有效地智能管理传入的移动通信。
2019-09-02 cs.CY cs.LG stat.ML
Turing Test on Screen: A Benchmark for Mobile GUI Agent Humanization
Shanghai Jiao Tong University（上海交通大学）；Carnegie Mellon University（卡内基梅隆大学）
本文提出屏幕上的图灵测试基准，通过建模检测器与代理的MinMax优化问题，评估代理在人类中心生态系统中的生存能力，并提出人化基准和检测指标，展示代理在不牺牲性能的前提下实现高模仿性。
2026-02-24 cs.AI cs.LG
Towards Machine Learning-Based Optimal HAS
Technical University of Munich（慕尼黑工业大学）；University of Duisburg-Essen（杜伊斯堡-埃森大学）
移动视频观看量正在增加，并且需要复杂的视频质量自适应策略来处理移动吞吐量波动。这些自适应策略必须保持开关频率低、平均质量高并防止失速发生，以确保客户满意度。提出了一种新的基于机器学习的自适应逻辑HASBRAIN的设计方法。此外，一个训练有素的神经网络对两个算法从文献的性能进行评估。我们首先使用修改后的现有优化公式来计算最佳的适应路径，具有最小数量的质量开关的广泛的视频和具有挑战性的移动吞吐量模式。然后，我们使用得到的最佳适应路径来训练和比较不同的机器学习模型。评估表明，人工神经网络为基础的模型可以达到一个高的平均质量与移动场景中的开关数量少。所提出的方法足够通用，可以扩展到基于机器学习的算法的进一步设计，并且所提供的模型可以部署在按需流场景中，或者使用诸如强化学习之类的基于奖励的机制来进一步细化。工作期间创建的所有工具、模型和数据集都以开源软件的形式提供。
2018-08-24 cs.LG cs.MM cs.NI
Sequential Behavioral Data Processing Using Deep Learning and the Markov Transition Field in Online Fraud Detection
CreditX Inc.（CreditX公司）；JD Finance Inc.（京东金融公司）
由于互联网和智能移动设备的普及，越来越多的金融交易和活动已经数字化。与使用信用相关特征的传统金融欺诈检测策略相比，客户每秒都会生成大量非结构化行为数据。在本文中，我们提出了一种基于递归神经网络（RNN）的深度学习结构，该结构集成了马尔可夫转移场（MTF），用于使用客户与网站或智能手机应用程序的交互作为一系列状态来预测在线欺诈行为。在实践中，我们测试和证明，所提出的网络结构处理序列行为数据可以显着提高欺诈预测能力相比，多层感知器网络和基于距离的分类器与动态时间规整（DTW）的距离度量。
2018-08-16 cs.IR cs.LG stat.ML
Incremental Layer-wise Self-Supervised Learning for Efficient Speech Domain Adaptation On Device
Google LLC（谷歌有限责任公司）
流传输端到端语音识别模型已经广泛应用于移动设备，并且在效率上显示出显著的提高。这些模型通常在服务器上使用转录的语音数据进行训练。但是，服务器数据分布可能与用户设备上的数据分布非常不同，这可能会影响模型性能。在设备上训练有两个主要挑战，有限的可靠标签和有限的训练记忆。虽然自监督学习算法可以使用未标记的数据来减轻域之间的不匹配，但由于内存限制，它们不直接适用于移动设备。在本文中，我们提出了一种增量式逐层自监督学习算法的有效语音领域自适应在移动设备上，其中只有一层更新的时间。大量的实验结果表明，该算法获得了一个字的出错率（WER）在目标域$24.2\%$优于监督基线和成本$89.7\%$更少的训练内存比端到端的自监督学习算法。
2021-10-01 cs.LG cs.SD eess.AS
SmartMem: Layout Transformation Elimination and Adaptation for Efficient DNN Execution on Mobile
University of Georgia（佐治亚大学）；William & Mary（威廉玛丽学院）；North Carolina State University（北卡罗来纳州立大学）；University of Texas at Arlington（德克萨斯大学阿灵顿分校）
本文提出SmartMem框架，通过消除计算算子间布局变换并优化2.5维内存布局，在18个神经网络上平均实现2.8倍至7.9倍于现有框架的加速。
2024-04-21 cs.AI cs.DC cs.LG
Policy Gradient Steering: Interventions from Behavioral Objectives
针对现有激活引导无法引导双路径网格世界简单策略的问题，提出PGS方法，经网格世界、国际象棋、竞技足球实验验证其校准性、可逆性及行为适配的可组合性与跨域迁移性。
2026-07-31 cs.LG cs.MA
Evaluation of a User Authentication Schema Using Behavioral Biometrics and Machine Learning
University of Wisconsin – Eau Claire（威斯康星大学欧克莱尔分校）；North Carolina Agricultural & Technical State University（北卡罗来纳农业与技术州立大学）
近年来，存储在移动设备上的安全数据量大幅增长。然而，保护这些数据的安全措施一直保持不变，对当前身份验证方法（如生理生物识别或密码）的漏洞几乎没有改进。代替这些方法，行为生物识别技术最近被研究作为这些脆弱的认证方法的解决方案。在这项研究中，我们的目标是通过使用行为生物识别技术创建和评估用户身份验证方案，为行为生物识别技术的研究做出贡献。在这项研究中使用的行为生物识别技术包括触摸动态和手机移动，我们评估了两种生物识别技术的不同单模态和多模态组合的性能。使用两个公开的数据集- BioIdent和手部运动方向和抓握（H-MOG），本研究使用七种常见的机器学习算法来评估性能。评估中使用的算法包括随机森林、支持向量机、K最近邻、朴素贝叶斯、逻辑回归、多层感知器和长短期记忆循环神经网络，准确率高达86%。
2022-05-07 cs.AI cs.CR cs.LG
Discovering Hidden Structure in High Dimensional Human Behavioral Data via Tensor Factorization
USC Information Sciences Institute（南加州大学信息科学研究所）
近年来，技术的快速发展增加了纵向人类行为研究的机会。可以在自然环境中收集来自Fitbit等可穿戴设备、在线社交网络、手机等的丰富多模态数据。在无监督环境下发现噪声多路数据的底层低维结构是一个具有挑战性的问题。张量分解在提取多路数据的低维描述方面取得了成功。在本文中，我们应用非负张量因式分解的真实字可穿戴传感器数据，学生生活，找到潜在的时间因素和组相似的个人。Meta数据可用于学期时间表，以及个人的表现和个性。我们证明，非负张量因子分解可以成功地发现集群的个人表现出较高的学术成绩，以及那些经常从事休闲活动。恢复的潜在的时间模式与这些群体进行验证地面实况数据，以证明我们的框架的准确性。
2019-05-21 cs.LG stat.ML
SensAI+Expanse Adaptation on Human Behaviour Towards Emotional Valence Prediction
BioISI Faculdade de Ciências Universidade de Lisboa（里斯本大学生物医学工程与生物科学研究所理学院）；CICPSI Faculdade de Psicologia Universidade de Lisboa（里斯本大学心理学与教育科学中心心理学院）
一个代理人，人工或人类，必须不断调整其行为，以便在或多或少的要求环境中茁壮成长。具有在地理空间和时间上下文中预测人类情感效价的能力的人工代理需要适当地适应其具有资源消耗严格限制的移动终端环境（例如，电池供电）。开发的分布式系统包括一个移动终端体现代理（SensAI）加上云扩展（Expanse）的认知和内存资源。该系统设计有几个自适应机制，尽最大努力为代理，以应付其相互作用的人，并有弹性收集数据的机器学习预测。这些机制包括类稳态调整，诸如从移动终端中的意外故障自动恢复、忘记重复的数据以保存本地存储器、将动作调整到适当的时刻（例如，仅在人类交互时通知），以及具有自动调整功能的Expanse补充学习算法参数。关于情绪效价预测性能，来自最先进算法之间的比较研究的结果显示，平均而言，极端梯度提升是具有有效能量使用的预测的最佳模型，并且可以使用特征重要性检查来解释。因此，这项工作有助于智能手机基于传感的系统，分布在云中，对人类和环境的意外行为具有鲁棒性，能够以非常好的性能预测情绪效价状态。
2020-03-07 cs.AI cs.LG
Continuous Online Fault Detection for Mobile Robots via Adaptive Edge Models
IRIT, Université Toulouse Capitole（图卢兹第一大学 IRIT 研究所）；TwinswHeel（TwinswHeel 公司）
本文提出教师-学生蒸馏框架，结合TSPulse离线模型与MiniRocket学生及RLS自适应，实现移动机器人边缘实时故障检测，显著提升VUS-PR分数并降低推理延迟。
2026-09-25 cs.LG cs.RO
