Fugu-MT 論文翻訳(概要): Cognitive Amplifier for Internet of Things

論文の概要: Cognitive Amplifier for Internet of Things

arxiv url: http://arxiv.org/abs/2005.06914v1
Date: Thu, 14 May 2020 12:30:42 GMT
ステータス: 処理完了
システム内更新日: 2022-12-03 05:04:14.332945
Title: Cognitive Amplifier for Internet of Things
Title（参考訳）: モノのインターネットのための認知増幅器
Authors: Bing Huang, Athman Bouguettaya, Azadeh Ghari Neiat
Abstract要約: 生活の利便性向上を目的とした認知機能を備えた,IoTの一部部分を強化するための認知増幅器フレームワークを提案する。知識発見コンポーネントは、その規則性、バリエーション、実際の生活環境における遷移を考慮した自然な活動パターンの発見に焦点を当てている。予測コンポーネントは、発見された知識を、何、いつ、どこで次の活動が起こるかを推測する基盤とみなす。
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 present a Cognitive Amplifier framework to augment things part of an IoT, with cognitive capabilities for the purpose of improving life convenience. Specifically, the Cognitive Amplifier consists of knowledge discovery and prediction components. The knowledge discovery component focuses on finding natural activity patterns considering their regularity, variations, and transitions in real life setting. The prediction component takes the discovered knowledge as the base for inferring what, when, and where the next activity will happen. Experimental results on real-life data validate the feasibility and applicability of the proposed approach.
Abstract（参考訳）: 生活の利便性向上を目的とした認知機能を備えた,IoTの一部部分を強化するための認知増幅器フレームワークを提案する。具体的には、認知増幅器は知識発見および予測成分からなる。知識発見コンポーネントは、現実の環境での規則性、バリエーション、遷移を考慮した自然な活動パターンの発見に焦点を当てている。予測コンポーネントは、発見された知識を、何、いつ、どこで次の活動が起こるかを推測する基盤とみなす。実生活データによる実験結果から,提案手法の有効性と適用性が確認された。

関連論文リスト

Augmented Commonsense Knowledge for Remote Object Grounding [67.30864498454805]
エージェントナビゲーションを改善するための時間的知識グラフとして,コモンセンス情報を活用するための拡張コモンセンス知識モデル(ACK)を提案する。 ACKは知識グラフ対応のクロスモーダルとコンセプトアグリゲーションモジュールで構成され、視覚的表現と視覚的テキストデータアライメントを強化する。我々は、より正確な局所的な行動予測につながるコモンセンスに基づく意思決定プロセスのための新しいパイプラインを追加します。
論文参考訳（メタデータ） (2024-06-03T12:12:33Z)
Active Object Detection with Knowledge Aggregation and Distillation from Large Models [5.669106489320257]
状態変化中のアクティブオブジェクトを正確に検出することは、人間のインタラクションを理解し、意思決定を容易にするために不可欠である。既存のアクティブオブジェクト検出法(AOD)は主に、サイズ、形状、手との関係など、入力内のオブジェクトの視覚的外観に依存する。状態変化は、しばしばオブジェクト上で実行される相互作用の結果であり、AODに対してより信頼性の高い手がかりを提供するために、オブジェクトに関連する可視的相互作用に関する情報的事前利用を提案する。提案するフレームワークは,Ego4D,Epic-Kitchens,MECCANOの4つのデータセット上での最先端性能を実現する。
論文参考訳（メタデータ） (2024-05-21T05:39:31Z)
Informed Meta-Learning [55.2480439325792]
メタラーニングとインシデントMLは、事前知識をMLパイプラインに組み込むための2つのアプローチとして際立っている。我々は,非構造化知識表現からの事前の取り込みを容易にする,情報メタラーニングというハイブリッドパラダイムを定式化する。データ効率、観測ノイズに対する堅牢性、タスク分散シフトを改善する上で、情報メタラーニングの潜在的な利点を実証する。
論文参考訳（メタデータ） (2024-02-25T15:08:37Z)
Crystal: Introspective Reasoners Reinforced with Self-Feedback [118.53428015478957]
本稿では,イントロスペクティブ・コモンセンス推論器であるCrystalを開発するための新しい手法を提案する。コモンセンス問題に対処するため、まず与えられた質問に関連する知識ステートメントのイントロスペクションを行い、その後、それまでのイントロスペクションされた知識に根ざした情報予測を行う。実験により、クリスタルは標準的な微調整法と連鎖蒸留法の両方で著しく優れており、コモンセンス推論プロセスの透明性を高めていることが示された。
論文参考訳（メタデータ） (2023-10-07T21:23:58Z)
Worth of knowledge in deep learning [3.132595571344153]
我々は、知識の価値を評価するために、解釈可能な機械学習にインスパイアされたフレームワークを提案する。我々の研究結果は、依存、相乗効果、置換効果を含む、データと知識の複雑な関係を解明する。我々のモデルに依存しないフレームワークは、様々な共通ネットワークアーキテクチャに適用でき、ディープラーニングモデルにおける事前知識の役割を包括的に理解することができる。
論文参考訳（メタデータ） (2023-07-03T02:25:19Z)
UNTER: A Unified Knowledge Interface for Enhancing Pre-trained Language Models [100.4659557650775]
構造化知識と非構造化知識の両方を活用する統一的な視点を提供するために、統一知識インターフェイスUNTERを提案する。どちらの形態の知識も注入され、UNTERは一連の知識駆動NLPタスクの継続的な改善を得る。
論文参考訳（メタデータ） (2023-05-02T17:33:28Z)
A Unified End-to-End Retriever-Reader Framework for Knowledge-based VQA [67.75989848202343]
本稿では,知識に基づくVQAに向けて,エンド・ツー・エンドのレトリバー・リーダー・フレームワークを提案する。我々は、視覚言語による事前学習モデルからの多モーダルな暗黙の知識に光を当て、知識推論の可能性を掘り下げた。提案手法では,知識検索のガイダンスを提供するだけでなく,質問応答に対してエラーが発生しやすいケースも排除できる。
論文参考訳（メタデータ） (2022-06-30T02:35:04Z)
Ontology-enhanced Prompt-tuning for Few-shot Learning [41.51144427728086]
少ないショットラーニングは、限られたサンプル数に基づいて予測を行うことを目的としている。知識グラフやオントロジーライブラリなどの構造化データは、様々なタスクにおける数ショット設定の恩恵を受けるために利用されてきた。
論文参考訳（メタデータ） (2022-01-27T05:41:36Z)
From Psychological Curiosity to Artificial Curiosity: Curiosity-Driven Learning in Artificial Intelligence Tasks [56.20123080771364]
心理学的好奇心は、探索と情報取得を通じて学習を強化するために、人間の知性において重要な役割を果たす。人工知能(AI)コミュニティでは、人工好奇心は効率的な学習に自然な本質的な動機を与える。 CDLはますます人気を博し、エージェントは新たな知識を学習するために自己動機付けされている。
論文参考訳（メタデータ） (2022-01-20T17:07:03Z)

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。