标题： 基于深度生成模型的人类活动半监督学习 显示英文标题

标题： Semi-unsupervised Learning of Human Activity using Deep Generative Models

摘要： 我们引入“半监督学习”，这是一种与迁移学习和零样本学习相关的任务范式，在训练数据中，某些类别标记稀疏，而其他类别完全未标记。 能够从这种类型的训练数据中学习的模型可能非常有用，因为许多现实世界的数据集都是这样的。 在这里，我们展示了一种新的深度生成模型，用于此范式中的分类。 我们的模型是一个高斯混合深度生成模型，在MNIST上表现出优于Kingma和Welling（2014）提出的模型M2的半监督分类性能。 我们将该模型应用于人类加速度计数据，在时间序列数据窗口上进行活动分类和结构发现。 显示英文摘要

摘要： We introduce 'semi-unsupervised learning', a problem regime related to transfer learning and zero-shot learning where, in the training data, some classes are sparsely labelled and others entirely unlabelled. Models able to learn from training data of this type are potentially of great use as many real-world datasets are like this. Here we demonstrate a new deep generative model for classification in this regime. Our model, a Gaussian mixture deep generative model, demonstrates superior semi-unsupervised classification performance on MNIST to model M2 from Kingma and Welling (2014). We apply the model to human accelerometer data, performing activity classification and structure discovery on windows of time series data.