更多特征并非更多证据：Jev 免训练人类活动识别的局限性

通用模型承诺基于传感器的决策，无需训练特定于任务的分类器，这可以减少人类活动识别（HAR）对标记数据的依赖。然而，目前尚不清楚此类模型是否可以直接解释物理传感器信号的确定性描述，足以取代或补充经过训练的 HAR 模型。我们使用 Jev（一种固定通用概率决策模型）在 WISDM、UCI341 和 PAMAP2 的 1,800 个类平衡加速度计窗口上研究这个问题。 Jev 不会收到带标签的示例、检索上下文或特定于 HAR 的参数更新。我们评估了三种确定性传感器表示，并将 5,400 个 Jev 决策与生成基线和三个监督 HAR 模型进行比较。 Jev 仍然远低于监督识别，其最强的表征在三个数据集中达到了 0.038、0.118 和 0.089 的宏观 F1，而监督模型的宏观 F1 为 0.686 到 0.907。更多的数值特征并不能提高 Jev。相反，它们减少了对所有三个数据集的识别，同时通过确定性语义渲染增强相同的数字证据部分恢复了性能，尽管实验没有将语义与伴随的序列化和冗余更改隔离开来。 Jev 查询速度快且成本低廉，但其概率未针对识别进行可靠校准。事后融合分析发现 WISDM 上有一个小改进，但在 UCI341 或 PAMAP2 上没有复制。这些结果表明，免训练传感器决策不仅取决于信号中可用的信息，还取决于模型是否可以使用暴露该信息的表示。因此，传感器到模型的接口应被视为模型评估的一部分，而不是作为中立的预处理步骤。