CHEAR：离线层级推理提升人类活动识别效率

论文作者 Xiangqing Lu、Tao Zhu、Mingxing Nie、Liming Chen 提交预印本，提出混淆层级证据感知推理（CHEAR），将候选活动比较与判别性知识组织部分转移到离线阶段，从跨受试者检索错误中构建并验证活动层级与活动对知识。 在八个数据集上，CHEAR 平均跨受试者准确率为 86.79%，候选缩减率 75.91%，真实活动保留率 96.44%，每样本 token 用量比无层级结构变体平均低 85.15%；八个跨数据集迁移方向平均准确率为 88.81%。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。