Fugu-MT 論文翻訳(概要): Enabling Edge Cloud Intelligence for Activity Learning in Smart Home

論文の概要: Enabling Edge Cloud Intelligence for Activity Learning in Smart Home

arxiv url: http://arxiv.org/abs/2005.06885v1
Date: Thu, 14 May 2020 11:43:20 GMT
ステータス: 処理完了
システム内更新日: 2022-12-03 05:04:23.318638
Title: Enabling Edge Cloud Intelligence for Activity Learning in Smart Home
Title（参考訳）: スマートホームにおけるアクティビティ学習のためのエッジクラウドインテリジェンスの実現
Authors: Bing Huang, Athman Bouguettaya, Hai Dong
Abstract要約: エッジクラウドアーキテクチャに基づく新しいアクティビティ学習フレームワークを提案する。我々は,1つのスマートホーム環境における活動認識と予測に時間的特徴を利用する。
参考スコア（独自算出の注目度）: 1.3858051019755284
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We propose a novel activity learning framework based on Edge Cloud architecture for the purpose of recognizing and predicting human activities. Although activity recognition has been vastly studied by many researchers, the temporal features that constitute an activity, which can provide useful insights for activity models, have not been exploited to their full potentials by mining algorithms. In this paper, we utilize temporal features for activity recognition and prediction in a single smart home setting. We discover activity patterns and temporal relations such as the order of activities from real data to develop a prompting system. Analysis of real data collected from smart homes was used to validate the proposed method.
Abstract（参考訳）: 本研究では,人的活動の認識と予測を目的とした,エッジクラウドアーキテクチャに基づく新しいアクティビティ学習フレームワークを提案する。活動認識は多くの研究者によって研究されてきたが、活動モデルに有用な洞察を与える活動を構成する時間的特徴は、マイニングアルゴリズムによってその潜在能力に活用されていない。本稿では,1つのスマートホーム環境での活動認識と予測に時間的特徴を利用する。我々は,実データから活動の順序などの活動パターンや時間的関係を発見し,プロンプトシステムを開発する。提案手法を検証するために,スマートホームから収集した実データの解析を行った。

関連論文リスト

Game of LLMs: Discovering Structural Constructs in Activities using Large Language Models [0.11029371407785957]
我々は,大規模言語モデルを用いて,基礎となるビルディングブロック(構造構造体)の同定に着目する。本稿では,これらのビルディングブロックをモデルとしたアクティビティ認識手法の開発を提案する。
論文参考訳（メタデータ） (2024-06-19T19:02:44Z)
Responsible Active Learning via Human-in-the-loop Peer Study [88.01358655203441]
我々は,データプライバシを同時に保持し,モデルの安定性を向上させるために,Pear Study Learning (PSL) と呼ばれる責任あるアクティブラーニング手法を提案する。まず,クラウドサイドのタスク学習者(教師)から未学習データを分離する。トレーニング中、タスク学習者は軽量なアクティブ学習者に指示し、アクティブサンプリング基準に対するフィードバックを提供する。
論文参考訳（メタデータ） (2022-11-24T13:18:27Z)
H-SAUR: Hypothesize, Simulate, Act, Update, and Repeat for Understanding Object Articulations from Interactions [62.510951695174604]
The Hypothesize, Simulate, Act, Update, and Repeat (H-SAUR) is a probabilistic generative framework that generated hypotheses about objects articulate given input observed。提案手法は,現在最先端のオブジェクト操作フレームワークよりも優れていることを示す。我々は、学習に基づく視覚モデルから学習前の学習を統合することにより、H-SAURのテスト時間効率をさらに向上する。
論文参考訳（メタデータ） (2022-10-22T18:39:33Z)
Latent Properties of Lifelong Learning Systems [59.50307752165016]
本稿では,生涯学習アルゴリズムの潜伏特性を推定するために,アルゴリズムに依存しないサロゲート・モデリング手法を提案する。合成データを用いた実験により,これらの特性を推定するためのアプローチを検証する。
論文参考訳（メタデータ） (2022-07-28T20:58:13Z)
Embodied Learning for Lifelong Visual Perception [33.02424587900808]
我々は、新しいモデルを開発し、建物内を航行する様々なエージェントを比較し、生涯の視覚知覚を具体化して研究する。エージェントの目的は、探索とアクティブな視覚学習を組み合わせたプロセスの最後に、建物全体のオブジェクトやその他のセマンティッククラスを認識することである。
論文参考訳（メタデータ） (2021-12-28T10:47:13Z)
Backprop-Free Reinforcement Learning with Active Neural Generative Coding [84.11376568625353]
動的環境におけるエラー(バックプロップ)のバックプロパゲーションを伴わない行動駆動型生成モデルの学習のための計算フレームワークを提案する。我々は、まばらな報酬でも機能するインテリジェントエージェントを開発し、推論として計画の認知理論からインスピレーションを得ている。我々のエージェントの堅牢な性能は、神経推論と学習のためのバックプロップフリーアプローチがゴール指向の行動を促進するという有望な証拠を提供する。
論文参考訳（メタデータ） (2021-07-10T19:02:27Z)
Online reinforcement learning with sparse rewards through an active inference capsule [62.997667081978825]
本稿では,将来期待される新しい自由エネルギーを最小化するアクティブ推論エージェントを提案する。我々のモデルは、非常に高いサンプル効率でスパース・リワード問題を解くことができる。また、複雑な目的の表現を単純化する報奨関数から事前モデルを近似する新しい手法を提案する。
論文参考訳（メタデータ） (2021-06-04T10:03:36Z)
Explainable Activity Recognition for Smart Home Systems [9.909901668370589]
我々は、説明可能な活動認識フレームワークを開発するために、説明可能な人工知能(XAI)技術からの洞察に基づいて構築する。以上の結果から,XAI アプローチ SHAP は 92% の成功率を持つことが明らかとなった。サンプルシナリオの83%では、ユーザは単純なアクティビティラベルよりも自然言語の説明を好む。
論文参考訳（メタデータ） (2021-05-20T14:35:51Z)
A novel activity pattern generation incorporating deep learning for transport demand models [0.0]
本稿では,深層学習と旅行領域知識を融合した新しいアクティビティパターン生成フレームワークを提案する。アクティビティタイプを分類するために,エンティティ埋め込みとランダムフォレストモデルを用いたディープニューラルネットワークを開発した。その結果,作業開始時刻と終了時刻,学校活動の精度が向上した。
論文参考訳（メタデータ） (2021-04-06T04:07:05Z)
ZSTAD: Zero-Shot Temporal Activity Detection [107.63759089583382]
本研究では,ゼロショット時間的活動検出(ZSTAD)と呼ばれる新たなタスク設定を提案する。このソリューションのアーキテクチャとして,R-C3Dに基づくエンドツーエンドのディープネットワークを設計する。 THUMOS14とCharadesデータセットの両方の実験は、目に見えない活動を検出するという点で有望なパフォーマンスを示している。
論文参考訳（メタデータ） (2020-03-12T02:40:36Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。