論文の概要: Multiple-Perspective Clustering of Passive Wi-Fi Sensing Trajectory Data

• arxiv url: http://arxiv.org/abs/2012.11796v1
• Date: Tue, 22 Dec 2020 02:30:16 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-27 03:34:02.703700
• Title: Multiple-Perspective Clustering of Passive Wi-Fi Sensing Trajectory Data
• Title（参考訳）: パッシブWi-Fiセンシング軌道データの多視点クラスタリング
• Authors: Zann Koh, Yuren Zhou, Billy Pik Lik Lau, Chau Yuen, Bige Tuncer, and Keng Hua Chong
• Abstract要約: 教師なしの機械学習手法を用いて,受動型Wi-Fiスニッフィング方式で収集したデータを解析し,体系的なアプローチを提案する。 本研究では,時間別,個人別,場所別という,データのクラスタリングの3つの側面について検討する。 提案手法を5ヶ月以上にわたって収集した実世界のデータセットに適用して得られた結果について述べる。
• 参考スコア（独自算出の注目度）: 19.301855796680613
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Information about the spatiotemporal flow of humans within an urban context has a wide plethora of applications. Currently, although there are many different approaches to collect such data, there lacks a standardized framework to analyze it. The focus of this paper is on the analysis of the data collected through passive Wi-Fi sensing, as such passively collected data can have a wide coverage at low cost. We propose a systematic approach by using unsupervised machine learning methods, namely k-means clustering and hierarchical agglomerative clustering (HAC) to analyze data collected through such a passive Wi-Fi sniffing method. We examine three aspects of clustering of the data, namely by time, by person, and by location, and we present the results obtained by applying our proposed approach on a real-world dataset collected over five months.
• Abstract（参考訳）: 都市環境における人間の時空間的流れに関する情報は、広く応用されている。 現在、このようなデータ収集には多くの異なるアプローチがありますが、分析する標準的なフレームワークがありません。 本稿では,受動的Wi-Fiセンシングにより収集したデータの解析に焦点をあてる。 本研究では,非教師付き機械学習手法であるk-meansクラスタリングと階層的凝集クラスタリング(hac)を用いて,受動型wi-fiスニッフィング法を用いて収集したデータを分析するシステム的アプローチを提案する。 本研究では,データクラスタリングの3つの側面(時間別,個人別,場所別)について検討し,提案手法を5ヶ月以上にわたって収集した実世界データセットに適用して得られた結果を示す。

関連論文リスト

• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• Automatic Data Curation for Self-Supervised Learning: A Clustering-Based Approach [36.47860223750303]
  自己教師付き事前学習のための高品質データセットの自動キュレーションの問題点を考察する。 これらの基準をすべて満たしたクラスタリングに基づく手法を提案する。 我々の方法は、大規模で多様なデータリポジトリ上で、$k$-meansの連続的かつ階層的なアプリケーションを含む。
  論文  参考訳（メタデータ） (2024-05-24T14:58:51Z)
• Contrastive Continual Multi-view Clustering with Filtered Structural Fusion [57.193645780552565]
  ビューが事前に収集されるアプリケーションでは、マルチビュークラスタリングが成功します。 データビューがシーケンシャルに収集されるシナリオ、すなわちリアルタイムデータを見落としている。 いくつかの方法が提案されているが、安定塑性ジレンマに閉じ込められている。 フィルタ構造融合を用いたコントラスト連続多視点クラスタリングを提案する。
  論文  参考訳（メタデータ） (2023-09-26T14:18:29Z)
• Tackling Computational Heterogeneity in FL: A Few Theoretical Insights [68.8204255655161]
  我々は、計算異種データの形式化と処理を可能にする新しい集約フレームワークを導入し、分析する。 提案するアグリゲーションアルゴリズムは理論的および実験的予測から広範囲に解析される。
  論文  参考訳（メタデータ） (2023-07-12T16:28:21Z)
• ClusterNet: A Perception-Based Clustering Model for Scattered Data [16.326062082938215]
  クラスタ分離は、一般的に広く使用されているクラスタリング技術によって取り組まれるタスクである。 本稿では,分散データを直接操作する学習戦略を提案する。 私たちは、ポイントベースのディープラーニングモデルであるClusterNetをトレーニングし、クラスタ分離性に対する人間の認識を反映するように訓練します。
  論文  参考訳（メタデータ） (2023-04-27T13:41:12Z)
• Clustering individuals based on multivariate EMA time-series data [2.0824228840987447]
  エコロジー・モメンタリー・アセスメント(EMA)の方法論は、時間集約的、反復的、個人内測定の新たな機会を提供する。 高度な機械学習(ML)手法は、データ特性を理解し、基礎となる複雑な心理的プロセスに関する意味のある関係を明らかにするために必要である。
  論文  参考訳（メタデータ） (2022-12-02T13:33:36Z)
• 3DMODT: Attention-Guided Affinities for Joint Detection & Tracking in 3D Point Clouds [95.54285993019843]
  本稿では,3次元点雲における複数物体の同時検出と追跡手法を提案する。 本モデルでは,複数のフレームを用いた時間情報を利用してオブジェクトを検出し,一つのネットワーク上で追跡する。
  論文  参考訳（メタデータ） (2022-11-01T20:59:38Z)
• Detection and Evaluation of Clusters within Sequential Data [58.720142291102135]
  Block Markov Chainsのクラスタリングアルゴリズムは理論的最適性を保証する。 特に、私たちのシーケンシャルデータは、ヒトのDNA、テキスト、動物運動データ、金融市場から派生しています。 ブロックマルコフ連鎖モデルの仮定は、実際に探索データ解析において有意義な洞察を得られることが判明した。
  論文  参考訳（メタデータ） (2022-10-04T15:22:39Z)
• Domain Adversarial Graph Convolutional Network Based on RSSI and Crowdsensing for Indoor Localization [8.406788215294483]
  少数のラベル付きサイトサーベイデータと大量のラベル付きクラウドセンシングWiFi指紋を用いてトレーニングできる新しいWiDAGCNモデルを提案する。 本システムは、複数の建物を含む公共の屋内ローカライゼーションデータセットを用いて評価する。
  論文  参考訳（メタデータ） (2022-04-06T08:06:27Z)
• Learning to Count in the Crowd from Limited Labeled Data [109.2954525909007]
  我々は,限られた数のラベル付きサンプルから参加者を数えることを学ぶことで,アノテーションの努力を減らすことに重点を置いている。 具体的には,未ラベルデータに対する擬似地下真理推定を含むガウス過程に基づく反復学習機構を提案する。
  論文  参考訳（メタデータ） (2020-07-07T04:17:01Z)
• Understanding Crowd Behaviors in a Social Event by Passive WiFi Sensing and Data Mining [21.343209622186606]
  本研究では,大規模社会イベントにおける群集行動に関連する3種類のパターンを抽出する包括的データ分析フレームワークを提案する。 まず,移動体の軌跡を探索要求から抽出し,群衆の動きの空間的パターンを明らかにする。 次に、k-meansとk-shapeクラスタリングアルゴリズムを適用し、群衆を訪れる時間パターンを日と場所によって抽出する。
  論文  参考訳（メタデータ） (2020-02-05T03:36:00Z)

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。