您不需要训练：用于可执行人类活动识别的代理启发式学习工作室

人类活动识别（HAR）通常被定义为基于梯度的神经网络训练。代理启发式学习 (AHL) Studio 探索了受人类认知学习启发的补充观点：人们通过记住示例、形成规则和修复错误来学习活动，而不是通过反向传播。这个提议的工具实现了 HAR 的 AHL：学习时间代理对传感器协议进行推理，提出可执行的启发式策略，记录修复跟踪，并导出用于边缘部署的 LLM-free 策略。我们专注于 HAR 基准测试系列，并提供从数据集观察到面向边缘的导出的端到端工作流程。在迄今为止评估的 11 个 HAR 数据集上，AHL 策略达到了强大的可执行策略性能，同时保持可检查、可编辑和可重播 \footnote{https://github.com/zhaxidele/ahl-ts-studio}。