論文の概要: Description of Structural Biases and Associated Data in Sensor-Rich Environments

• arxiv url: http://arxiv.org/abs/2104.04885v1
• Date: Sun, 11 Apr 2021 00:26:59 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-15 06:47:02.212716
• Title: Description of Structural Biases and Associated Data in Sensor-Rich Environments
• Title（参考訳）: センサリッチ環境における構造バイアスと関連データの記述
• Authors: Massinissa Hamidi, Aomar Osmani
• Abstract要約: センサが豊富な環境下での活動認識を研究する。 帰納バイアスの問題とそのデータ収集プロセスへの影響に対処します。 本稿では,センサデータをレイヤに構成するメタモデリングプロセスを提案する。
• 参考スコア（独自算出の注目度）: 6.548580592686077
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: In this article, we study activity recognition in the context of sensor-rich environments. We address, in particular, the problem of inductive biases and their impact on the data collection process. To be effective and robust, activity recognition systems must take these biases into account at all levels and model them as hyperparameters by which they can be controlled. Whether it is a bias related to sensor measurement, transmission protocol, sensor deployment topology, heterogeneity, dynamicity, or stochastic effects, it is important to understand their substantial impact on the quality of activity recognition models. This study highlights the need to separate the different types of biases arising in real situations so that machine learning models, e.g., adapt to the dynamicity of these environments, resist to sensor failures, and follow the evolution of the sensors topology. We propose a metamodeling process in which the sensor data is structured in layers. The lower layers encode the various biases linked to transformations, transmissions, and topology of data. The upper layers encode biases related to the data itself. This way, it becomes easier to model hyperparameters and follow changes in the data acquisition infrastructure. We illustrate our approach on the SHL dataset which provides motion sensor data for a list of human activities collected under real conditions. The trade-offs exposed and the broader implications of our approach are discussed with alternative techniques to encode and incorporate knowledge into activity recognition models.
• Abstract（参考訳）: 本稿では,センサリッチ環境における活動認識について検討する。 特に,帰納バイアスの問題とデータ収集プロセスへの影響について論じる。 効果的かつ堅牢にするためには、アクティビティ認識システムはこれらのバイアスをあらゆるレベルで考慮し、それらを制御可能なハイパーパラメータとしてモデル化する必要がある。 センサ計測,伝送プロトコル,センサ展開トポロジ,不均一性,動的性,確率的効果に関連するバイアスであっても,それらが行動認識モデルの品質に与える影響を理解することは重要である。 この研究は、例えば、これらの環境の動的性に適応し、センサーの故障に抵抗し、センサートポロジーの進化に従うように、現実の状況で生じる様々な種類のバイアスを分離する必要があることを強調する。 本稿では,センサデータをレイヤに構成するメタモデリングプロセスを提案する。 下位層は、データの変換、送信、トポロジに関連する様々なバイアスを符号化する。 上位層はデータ自体に関連するバイアスをエンコードする。 これにより、ハイパーパラメータをモデル化し、データ取得インフラストラクチャの変更をフォローしやすくなる。 実環境下で収集された人間の活動のリストにモーションセンサデータを提供するSHLデータセットへのアプローチについて述べる。 知識を行動認識モデルにエンコードし、組み込む方法として、トレードオフと我々のアプローチの幅広い意味について論じる。

関連論文リスト

• Localized Gaussians as Self-Attention Weights for Point Clouds Correspondence [92.07601770031236]
  本稿では,エンコーダのみのトランスフォーマーアーキテクチャのアテンションヘッドにおける意味的意味パターンについて検討する。 注意重みの修正はトレーニングプロセスの促進だけでなく,最適化の安定性の向上にも寄与する。
  論文  参考訳（メタデータ） (2024-09-20T07:41:47Z)
• Physics-Enhanced Graph Neural Networks For Soft Sensing in Industrial Internet of Things [6.374763930914524]
  産業用IoT(Industrial Internet of Things)は、製造業、産業プロセス、インフラ管理を変革している。 高度に信頼性の高いIIoTを実現するには、大量のセンサーをインストールするコスト、既存のシステムにセンサーを組み直す際の制限、センサーの設置を非現実的にする厳しい環境条件などの要因が伴う。 物理の原理をグラフベースの方法論に統合する物理強化グラフニューラルネットワーク(GNN)を提案する。
  論文  参考訳（メタデータ） (2024-04-11T18:03:59Z)
• Representation Learning for Wearable-Based Applications in the Case of Missing Data [20.37256375888501]
  実環境におけるマルチモーダルセンサデータは、データ品質が低く、データアノテーションが限られているため、依然として困難である。 本稿では,不足するウェアラブルデータに対する表現学習について検討し,最新統計手法と比較する。 本研究は,マスキングに基づく自己指導型学習タスクの設計と開発に関する知見を提供する。
  論文  参考訳（メタデータ） (2024-01-08T08:21:37Z)
• Automatic Sensor-free Affect Detection: A Systematic Literature Review [0.0]
  本稿では,センサレス感情検出に関する総合的な文献レビューを行う。 この分野の明らかな成熟度は、モデルの一貫した性能によって証明されているにもかかわらず、将来の研究には十分な範囲がある。 モデル開発プラクティスやメソッドの洗練も必要です。
  論文  参考訳（メタデータ） (2023-10-11T13:24:27Z)
• On the Importance of Accurate Geometry Data for Dense 3D Vision Tasks [61.74608497496841]
  不正確または破損したデータのトレーニングは、モデルバイアスとハマーズ一般化能力を誘導する。 本稿では,深度推定と再構成における高密度3次元視覚課題に対するセンサ誤差の影響について検討する。
  論文  参考訳（メタデータ） (2023-03-26T22:32:44Z)
• Synthetic-to-Real Domain Adaptation for Action Recognition: A Dataset and Baseline Performances [76.34037366117234]
  ロボット制御ジェスチャー(RoCoG-v2)と呼ばれる新しいデータセットを導入する。 データセットは7つのジェスチャークラスの実ビデオと合成ビデオの両方で構成されている。 我々は,最先端の行動認識とドメイン適応アルゴリズムを用いて結果を示す。
  論文  参考訳（メタデータ） (2023-03-17T23:23:55Z)
• Environmental Sensor Placement with Convolutional Gaussian Neural Processes [65.13973319334625]
  センサーは、特に南極のような遠隔地において、その測定の情報量が最大になるように配置することは困難である。 確率論的機械学習モデルは、予測の不確実性を最大限に低減するサイトを見つけることによって、情報的センサ配置を提案することができる。 本稿では,これらの問題に対処するために,畳み込み型ガウスニューラルプロセス(ConvGNP)を提案する。
  論文  参考訳（メタデータ） (2022-11-18T17:25:14Z)
• Architectural Optimization and Feature Learning for High-Dimensional Time Series Datasets [0.7388859384645262]
  重力波検出器における過渡ノイズアーチファクトの存在を予測する問題について検討する。 従来の技術と比較して誤差率を60%以上削減するモデルを導入する。
  論文  参考訳（メタデータ） (2022-02-27T23:41:23Z)
• Towards Unbiased Visual Emotion Recognition via Causal Intervention [63.74095927462]
  本稿では,データセットバイアスによる負の効果を軽減するために,新しい感情認識ネットワーク(IERN)を提案する。 IERNの有効性を検証する一連の設計されたテストと、3つの感情ベンチマークの実験は、IERNが他の最先端のアプローチよりも優れていることを示した。
  論文  参考訳（メタデータ） (2021-07-26T10:40:59Z)
• Semantics-aware Adaptive Knowledge Distillation for Sensor-to-Vision Action Recognition [131.6328804788164]
  本稿では,視覚・センサ・モダリティ(動画)における行動認識を強化するためのフレームワーク,Semantics-Aware Adaptive Knowledge Distillation Networks (SAKDN)を提案する。 SAKDNは複数のウェアラブルセンサーを教師のモダリティとして使用し、RGB動画を学生のモダリティとして使用している。
  論文  参考訳（メタデータ） (2020-09-01T03:38:31Z)

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。