論文の概要: Competitive Wakeup Scheme for Distributed Devices

• arxiv url: http://arxiv.org/abs/2005.09242v1
• Date: Tue, 19 May 2020 06:46:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-01 14:51:10.109689
• Title: Competitive Wakeup Scheme for Distributed Devices
• Title（参考訳）: 分散デバイスのための競合的ウェイクアップ方式
• Authors: Lu Ma, Haiping Zhang, Pei Zhao, Tengrong Su
• Abstract要約: Wakeupは音声インタラクションの主要な機能であり、スマートホームのためのヒューマンマシンインタラクション(HMI)アプリケーションにおける主流のスキームである。 すべてのデバイスが、同じウェイクアップワードがすべてのデバイスで使用されている場合、応答する。これによりカオスが発生し、ユーザエクスペリエンスの質(QoE)が低下する。
• 参考スコア（独自算出の注目度）: 0.27309692684728604
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Wakeup is the primary function in voice interaction which is the mainstream scheme in man-machine interaction (HMI) applications for smart home. All devices will response if the same wake-up word is used for all devices. This will bring chaos and reduce user quality of experience (QoE). The only way to solve this problem is to make all the devices in the same wireless local area network (WLAN) competing to wake-up based on the same scoring rule. The one closest to the user would be selected for response. To this end, a competitive wakeup scheme is proposed in this paper with elaborately designed calibration method for receiving energy of microphones. Moreover, the user orientation is assisted to determine the optimal device. Experiments reveal the feasibility and validity of this scheme.
• Abstract（参考訳）: Wakeupは音声インタラクションの主要な機能であり、スマートホームのためのヒューマンマシンインタラクション(HMI)アプリケーションにおける主流のスキームである。 同じ単語がすべてのデバイスで使われている場合、すべてのデバイスが応答する。 これによってカオスが発生し、ユーザエクスペリエンスの質(qoe)が低下する。 この問題を解決する唯一の方法は、同じスコアリングルールに基づいて、同じ無線ローカルエリアネットワーク(WLAN)内のすべてのデバイスがウェイクアップと競合することである。 ユーザに最も近いものは、応答のために選択される。 そこで本稿では,マイクロホンの受電エネルギーを精巧に設計したキャリブレーション手法を用いて,競合的な起動方式を提案する。 また、ユーザ指向を補助して最適なデバイスを決定する。 実験は、このスキームの有効性と妥当性を明らかにする。

関連論文リスト

• What If We Had Used a Different App? Reliable Counterfactual KPI Analysis in Wireless Systems [52.499838151272016]
  本稿では、無線アクセスネットワーク(RAN)によって異なるアプリが実装された場合、キーパフォーマンス指標(KPI)の値を推定する「What-if」問題に対処する。 本稿では,推定値に対して信頼度の高い「エラーバー」を提供する無線システムに対する共形予測に基づく対実解析手法を提案する。
  論文  参考訳（メタデータ） (2024-09-30T18:47:26Z)
• Aikyam: A Video Conferencing Utility for Deaf and Dumb [0.0]
  パンデミックの出現に伴い、コミュニケーション手段としてのビデオ会議プラットフォームの利用が大幅に増加した。 本稿では、既存のビデオ会議プラットフォームと併用してこれらの問題に対処できる全アクセス型ビデオ会議ユーティリティを提案する。 適切な意味的正しい文はシグナーのジェスチャーから生成され、システムによって解釈される。
  論文  参考訳（メタデータ） (2023-12-10T18:27:33Z)
• Robust Wake-Up Word Detection by Two-stage Multi-resolution Ensembles [48.208214762257136]
  オーディオストリームのリアルタイム処理のための軽量オンデバイスモデルと、サーバ側の検証モデルである。 プライバシーを保護するため、オーディオ機能は生のオーディオではなくクラウドに送られる。
  論文  参考訳（メタデータ） (2023-10-17T16:22:18Z)
• Task-Oriented Over-the-Air Computation for Multi-Device Edge AI [57.50247872182593]
  エッジAIをサポートするための6Gネットワークは、AIタスクの効率的かつ効率的な実行に焦点を当てたタスク指向のテクニックを備えている。 本稿では,マルチデバイススプリット推論システムにおけるタスク指向オーバー・ザ・エア計算(AirComp)方式を提案する。
  論文  参考訳（メタデータ） (2022-11-02T16:35:14Z)
• On Differential Privacy for Federated Learning in Wireless Systems with Multiple Base Stations [90.53293906751747]
  複数の基地局とセル間干渉を持つ無線システムにおける連合学習モデルを考える。 本稿では,学習過程の収束挙動を,その最適性ギャップの上限を導出することによって示す。 提案するスケジューラは,ランダムなスケジューラと比較して予測平均精度を向上する。
  論文  参考訳（メタデータ） (2022-08-25T03:37:11Z)
• The MIT Voice Name System [53.473846742702854]
  我々は,音声対話を電話番号などの他のシステムと同様のユニバーサルリーチに標準化することを目指している。 音声をIoTオブジェクトと通信するための出発点として重視しています。 プライバシーとセキュリティは、音声からテキストへの誤りと音声サンプルに含まれる個人情報の量によって考慮される重要な要素である。
  論文  参考訳（メタデータ） (2022-03-28T19:09:26Z)
• End-to-end Alexa Device Arbitration [8.288509945512665]
  我々は、デバイス調停と呼ばれる話者ローカライゼーション問題の変種を導入する。 完全なローカライズ問題を解決する代わりに,エンド・ツー・エンドの機械学習システムを提案する。
  論文  参考訳（メタデータ） (2021-12-08T16:43:13Z)
• WiSleep: Scalable Sleep Monitoring and Analytics Using Passive WiFi Sensing [0.0]
  WiSleepは、WiFiインフラから受動的に感知されるスマートフォンネットワーク接続を使用した睡眠監視および分析プラットフォームである。 本研究では,睡眠時間と覚醒時間を予測するため,ベイズ変化点検出の教師なしアンサンブルモデルを提案する。 WiSleepは、単一のコモディティサーバ上で2万人のユーザからのデータを処理することができ、サーバ要求の少ない大規模なキャンパスにスケールできることを示す。
  論文  参考訳（メタデータ） (2021-02-07T00:05:14Z)
• Convergence of Update Aware Device Scheduling for Federated Learning at the Wireless Edge [84.55126371346452]
  遠隔パラメータサーバ(PS)の助けを借りて、ローカルデータセットを持つパワー制限デバイスが共同でジョイントモデルを訓練する無線エッジにおけるフェデレーション学習について研究する。 各ラウンドで送信するデバイスのサブセットを決定する新しいスケジューリングとリソース割り当てポリシーを設計する。 数値実験の結果,提案したスケジューリングポリシーは,チャネル条件と局所モデル更新の重要性の両方に基づいており,両者の指標のみに基づくスケジューリングポリシーよりも長期的性能がよいことがわかった。
  論文  参考訳（メタデータ） (2020-01-28T15:15:22Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。