基于类别等变架构的人类活动识别学习
Learning with Category-Equivariant Architectures for Human Activity Recognition
AI总结：
提出类别等变神经网络CatEquiv，通过编码时间、幅度和结构对称性提升人类活动识别在分布外扰动下的鲁棒性，在不增加模型容量的情况下实现强不变性和泛化能力。
摘要：
我们提出了CatEquiv，一种用于从惯性传感器进行人类活动识别（HAR）的类别等变神经网络，它系统地编码了时间、幅度和结构对称性。我们引入了一个对称类别，联合表示循环时间平移、正增益缩放和传感器层级偏序集，以捕捉数据的范畴对称结构。CatEquiv实现了相对于范畴对称积的等变性。在分布外扰动下的UCI-HAR数据集上，与循环填充CNN和普通CNN相比，CatEquiv获得了显著更高的鲁棒性。这些结果表明，强制实施范畴对称性可以在不增加模型容量的情况下产生强不变性和泛化能力。
英文摘要：
We propose CatEquiv, a category-equivariant neural network for Human Activity Recognition (HAR) from inertial sensors that systematically encodes temporal, amplitude, and structural symmetries. We introduce a symmetry category that jointly represents cyclic time shifts, positive gain scalings, and the sensor-hierarchy poset, capturing the categorical symmetry structure of the data. CatEquiv achieves equivariance with respect to the categorical symmetry product. On UCI-HAR under out-of-distribution perturbations, CatEquiv attains markedly higher robustness compared with circularly padded CNNs and plain CNNs. These results demonstrate that enforcing categorical symmetries yields strong invariance and generalization without additional model capacity.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
