論文の概要: DataLoc+: A Data Augmentation Technique for Machine Learning in Room-Level Indoor Localization

• arxiv url: http://arxiv.org/abs/2101.10833v1
• Date: Thu, 21 Jan 2021 17:41:41 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-21 07:58:51.521880
• Title: DataLoc+: A Data Augmentation Technique for Machine Learning in Room-Level Indoor Localization
• Title（参考訳）: DataLoc+: ルームレベル屋内ローカライゼーションにおける機械学習のためのデータ拡張手法
• Authors: Amr E Hilal, Ismail Arai, Samy El-Tawab
• Abstract要約: 室内における室内位置推定のためのデータ拡張手法であるDataLoc+を提案する。 本手法は,病院で実施したフィールド実験から収集したデータを用いて,典型的な直接スナップショットアプローチと比較することで評価する。
• 参考スコア（独自算出の注目度）: 0.6961253535504979
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Indoor localization has been a hot area of research over the past two decades. Since its advent, it has been steadily utilizing the emerging technologies to improve accuracy, and machine learning has been at the heart of that. Machine learning has been increasingly used in fingerprint-based indoor localization to replace or emulate the radio map that is used to predict locations given a location signature. The prediction quality of a machine learning model primarily depends on how well the model was trained, which relies on the amount and quality of data used to train it. Data augmentation has been used to improve quality of the trained models by synthetically producing more training data, and several approaches were used in the literature that tackles the problem of lack of training data from different angles. In this paper, we propose DataLoc+, a data augmentation technique for room-level indoor localization that combines different approaches in a simple algorithm. We evaluate the technique by comparing it to the typical direct snapshot approach using data collected from a field experiment conducted in a hospital. Our evaluation shows that the model trained using the proposed technique achieves higher accuracy. We also show that the technique adapts to larger problems using a limited dataset while maintaining high accuracy.
• Abstract（参考訳）: 屋内のローカライゼーションは過去20年間、ホットな研究領域だった。 登場以来、新しいテクノロジーを着実に活用して精度を高めてきたが、機械学習はその中心にある。 指紋に基づく屋内位置推定では、位置情報が与えられた位置を予測するために使用される無線地図を置き換えたり、エミュレートするために機械学習がますます使われている。 機械学習モデルの予測品質は、トレーニングに使用されるデータの量と品質に依存するため、モデルがどのようにトレーニングされたかに大きく依存する。 データ拡張は、より多くのトレーニングデータを合成してトレーニングモデルの質を向上させるために使用され、異なる角度からのトレーニングデータの欠如に対処する文献でいくつかのアプローチが用いられた。 本稿では,シンプルなアルゴリズムで異なるアプローチを組み合わせた室内位置推定のためのデータ拡張手法であるDataLoc+を提案する。 本手法は,病院で実施したフィールド実験から収集したデータを用いて,典型的な直接スナップショットアプローチと比較することで評価する。 評価の結果,提案手法を用いて訓練したモデルの方が精度が高いことがわかった。 また,この手法は,高い精度を維持しつつ,限られたデータセットを用いてより大きな問題に適応することを示す。

関連論文リスト

• Physics Informed Shallow Machine Learning for Wind Speed Prediction [66.05661813632568]
  イタリアの32カ所の標高10mの風速計から観測された大量の風のデータセットを分析した。 我々は、過去の風の履歴を用いて教師あり学習アルゴリズムを訓練し、その価値を将来予測する。 最適設計と性能は場所によって異なることがわかった。
  論文  参考訳（メタデータ） (2022-04-01T14:55:10Z)
• Acceleration of Federated Learning with Alleviated Forgetting in Local Training [61.231021417674235]
  フェデレートラーニング(FL)は、プライバシを保護しながら機械学習モデルの分散最適化を可能にする。 我々は,FedRegを提案する。FedRegは,局所的な訓練段階において,知識を忘れることなくFLを加速するアルゴリズムである。 我々の実験は、FedRegはFLの収束率を著しく改善するだけでなく、特にニューラルネットワークアーキテクチャが深い場合にも改善することを示した。
  論文  参考訳（メタデータ） (2022-03-05T02:31:32Z)
• Invariance Learning in Deep Neural Networks with Differentiable Laplace Approximations [76.82124752950148]
  我々はデータ拡張を選択するための便利な勾配法を開発した。 我々はKronecker-factored Laplace近似を我々の目的とする限界確率に近似する。
  論文  参考訳（メタデータ） (2022-02-22T02:51:11Z)
• BERT WEAVER: Using WEight AVERaging to Enable Lifelong Learning for Transformer-based Models [69.54942445850462]
  We present WEAVER, a simple, yet efficient post-processing method that infuse old knowledge into the new model。 WEAVERを逐次的に適用すると、同じ単語の埋め込み分布が、一度にすべてのデータに対する総合的なトレーニングとして得られることを示す。
  論文  参考訳（メタデータ） (2022-02-21T10:34:41Z)
• Training Efficiency and Robustness in Deep Learning [2.6451769337566406]
  ディープラーニングモデルのトレーニング効率と堅牢性を改善するためのアプローチについて検討する。 より情報的なトレーニングデータに基づく学習の優先順位付けは収束速度を高め、テストデータに対する一般化性能を向上させる。 トレーニングデータのサンプリングに対する冗長性を考慮した修正により、トレーニング速度が向上し、トレーニング信号の多様性を検出する効率的な方法が開発されていることを示す。
  論文  参考訳（メタデータ） (2021-12-02T17:11:33Z)
• Efficient training of lightweight neural networks using Online Self-Acquired Knowledge Distillation [51.66271681532262]
  オンライン自己獲得知識蒸留(OSAKD)は、ディープニューラルネットワークの性能をオンライン的に向上することを目的としている。 出力特徴空間におけるデータサンプルの未知確率分布を推定するために、k-nnノンパラメトリック密度推定手法を用いる。
  論文  参考訳（メタデータ） (2021-08-26T14:01:04Z)
• ALT-MAS: A Data-Efficient Framework for Active Testing of Machine Learning Algorithms [58.684954492439424]
  少量のラベル付きテストデータのみを用いて機械学習モデルを効率的にテストする新しいフレームワークを提案する。 ベイズニューラルネットワーク(bnn)を用いたモデルアンダーテストの関心指標の推定が目的である。
  論文  参考訳（メタデータ） (2021-04-11T12:14:04Z)
• Gradient-guided Loss Masking for Neural Machine Translation [27.609155878513334]
  本稿では、トレーニングプロセス中にデータ利用を動的に最適化する戦略を検討する。 本アルゴリズムは,トレーニングデータとクリーンデータとの勾配アライメントを計算し,負のアライメントでデータをマスクアウトする。 3つのwmt言語ペアを実験した結果,本手法は強いベースラインよりも大きな改善をもたらすことがわかった。
  論文  参考訳（メタデータ） (2021-02-26T15:41:48Z)
• Variational Information Bottleneck Model for Accurate Indoor Position Recognition [0.0]
  室内位置の精度向上のための変分情報ボトルネックモデルを提案する。 提案モデルはエンコーダ構造と予測器構造からなる。 実世界のデータセット上で検証実験を行う。
  論文  参考訳（メタデータ） (2021-01-26T09:29:53Z)

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。