HB-PVI to innowacyjna metoda łącząca hierarchiczny model Bayesa z analizą value-of-information do rozpoznawania złożonych aktywności. Zamiast zatrudniać uniwersalne podejście do wszystkich uczestników, framework modeluje heterogeniczność między osobami i ocenia, które mechanizmy personalizacji (adapter, adapter-plus-head czy prototype-residual) faktycznie poprawiają wydajność dla konkretnego użytkownika.
System wykorzystuje sequential-Monte-Carlo do aktualizacji efektów specyficznych dla uczestnika oraz Student-t hierarchiczny model zysków, aby ocenić rzeczywistą wartość każdej dodatkowej etykiety treningowej. W teście leave-one-participant-out na zbiorze MUSIC-CAR z 47 uczestnikami adapter personalization osiągnął niewielkie średnie zyski w metrycie F1 (od 0.00099 z jedną etykietą do 0.00198 z dziesięcioma), podczas gdy pozostałe podejścia personalizacyjne okazały się średnio negatywne.
Najciekawsza obserwacja dotyczy praktycznej stosowania: gdy ustalono próg minimalnego praktycznego zysku na 0.01, algorytm value-of-information wyliczył, że zbieranie dodatkowych etykiet nie ma ekonomicznego sensu. Polityka decyzyjna zaproponowała więc brak labelowania i pozostanie przy wnioskowaniu populacyjnym dla wszystkich 47 uczestników. To zradykalne uproszczenie zmniejszyło nakład etykietowania o 100% przy średniej stracie F1 zaledwie 0.00217, co może zmienić praktyczne podejście do personalizacji w recognition systemach.