HB-PVI：用于复杂活动识别的分层贝叶斯个性化和信息价值框架

arXiv:2609.05582v1 公告类型：新 摘要：个性化可以提高活动识别性能，但参与者特定的收益是异构的，并且每个额外的校准标签都有获取成本。本研究提出了 HB-PVI，这是一个分层贝叶斯个性化和信息价值框架，针对 47 名参与者的 MUSIC-CAR 复杂活动队列，联合建模参与者异质性、四种个性化机制的益处和危害以及附加标签的经济价值。泄漏安全、留一参与者评估将顺序蒙特卡罗参与者效应更新器与 Student-$t$ 分层增益模型和一步样本信息期望值 (EVSI) 停止规则相结合。适配器个性化产生了较小的正平均 F1 增益，从一个标签的 0.00099 增长到十个标签的 0.00198，而适配器加头和原型残留个性化平均为负值。在主要实际效益阈值 ($\Delta_{\min}=0.01$) 和成本设置下，一步 EVSI 在每个决策状态下均为零，因此该策略没有购买标签并保留所有 47 个参与者的总体推断，与始终停止完全匹配（实际等效区域概率 $=1$）。相对于固定的十次适配器个性化，这减少了 100% 的标签，同时将后验平均 F1 损失保持在 0.00217（95% 可信区间，0.00048 到 0.00389），后验概率保持在 0.005 公差以下，为 0.9992。 HB-PVI 在 216 个成本阈值设置中的 199 个中是效用最优的，并且在每个设置中都等于或高于主要标签成本。这些结果表明，只要个性化收益相对于标签、计算和伤害成本较小，就应采取人口优先的部署政策，并表明信息价值推理，而不是原始预测准确性，应该推动健康传感应用中的个性化决策。