近日，由网络与媒体实验室董亚波老师和许端清老师指导的2023级硕博连读生（2021级硕，2023级博）张君如同学一篇题目为DI2SDiff++: Activity Style Decomposition and Diffusion-Based Fusion for Cross-Person Generalization in Activity Recognition的论文被国际顶刊《IEEE Transactions on Mobile Computing》（简称 IEEE TMC）正式接收。

        IEEE TMC 是中国计算机学会（CCF）推荐的 A 类国际顶级期刊，同时是中科院 1 区 TOP 期刊，在计算机网络、移动计算领域享有极高的学术声誉。

论文简介

       在人体动作识别（HAR）任务中，模型训练常依赖于已有用户的动作数据。然而，实际部署过程中，模型往往需要面对来自未见用户的新数据，存在显著的“个体差异”与“风格多样性”，导致训练域与测试域之间出现分布偏移，严重影响模型在真实场景中的泛化性能。

       为此，论文提出了“域填充（Domain Padding）”这一全新视角：通过生成多样化的“风格化活动样本”，在特征空间中填补原始训练数据未覆盖的区域，从而提升模型的跨域泛化能力。

图 ：DI2SDiff++中的多头风格条件器

主要技术创新如下：

      第一，提出 DI2SDiff 框架：利用对比学习提取活动风格特征，通过条件扩散模型引导数据生成，并通过“风格融合采样”策略实现同类多风格数据的生成，提升训练数据的分布多样性；

      第二，升级版 DI2SDiff++ 引入多头风格条件器：将每个动作实例分解为多个“子风格”分量（类相关/无关、对变换敏感/不敏感），实现更细粒度、更具解释性的语义建模；

      第三，创新“子风格融合采样机制”：允许从同一类或不同类样本中自由组合多个子风格，引导扩散模型生成更丰富、更自然的时序动作数据，有效增强域内和域间的多样性。

      实验部分在三个主流跨人HAR数据集（DSADS、PAMAP2、USC-HAD）上展开大量评估。结果显示，DI2SDiff及其升级版DI2SDiff++在不同架构下均显著优于当前主流领域泛化方法，在数据多样性、模型泛化性和实际适应性方面表现出色。

作者简介

      张君如，2021级博士生，指导老师：许端清、董亚波。主要研究方向：传感器时序数据挖掘和分析，研究内容包括基于大语言模型的时序建模、生成模型以及迁移学习等。

导师简介

      许端清，浙江大学计算机科学与技术学院教授，主要研究方向：人工智能、深度学习、图像智能处理等。

      董亚波，浙江大学计算机科学与技术学院副教授，主要研究方向：物联网技术、文物保护技术、传感器数据挖掘及处理等。