論文の概要: Human Activity Recognition Models in Ontology Networks
- arxiv url: http://arxiv.org/abs/2105.02264v1
- Date: Wed, 5 May 2021 18:23:56 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-08 03:40:44.841425
- Title: Human Activity Recognition Models in Ontology Networks
- Title（参考訳）: オントロジーネットワークにおける人間活動認識モデル
- Authors: Luca Buoncompagni, Syed Yusha Kareem and Fulvio Mastrogiovanni
- Abstract要約: Arianna+は、スマートホームがオンラインで認識できる知識を表現するためのネットワークを設計するためのフレームワークである。
arianna+は、プロシージャとステートメントの入力と出力の間の柔軟なインターフェースを提供する。
Arianna+は論理ベースの推論を用いて、イベントに基づいてプロシージャをスケジュールする。
- 参考スコア（独自算出の注目度）: 0.5801044612920815
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: We present Arianna+, a framework to design networks of ontologies for
representing knowledge enabling smart homes to perform human activity
recognition online. In the network, nodes are ontologies allowing for various
data contextualisation, while edges are general-purpose computational
procedures elaborating data. Arianna+ provides a flexible interface between the
inputs and outputs of procedures and statements, which are atomic
representations of ontological knowledge. Arianna+ schedules procedures on the
basis of events by employing logic-based reasoning, i.e., by checking the
classification of certain statements in the ontologies. Each procedure involves
input and output statements that are differently contextualised in the
ontologies based on specific prior knowledge. Arianna+ allows to design
networks that encode data within multiple contexts and, as a reference
scenario, we present a modular network based on a spatial context shared among
all activities and a temporal context specialised for each activity to be
recognised. In the paper, we argue that a network of small ontologies is more
intelligible and has a reduced computational load than a single ontology
encoding the same knowledge. Arianna+ integrates in the same architecture
heterogeneous data processing techniques, which may be better suited to
different contexts. Thus, we do not propose a new algorithmic approach to
activity recognition, instead, we focus on the architectural aspects for
accommodating logic-based and data-driven activity models in a context-oriented
way. Also, we discuss how to leverage data contextualisation and reasoning for
activity recognition, and to support an iterative development process driven by
domain experts.
- Abstract（参考訳）: 我々は、スマートホームがオンラインで行動認識を行うための知識を表現するためのオントロジーのネットワークを設計するためのフレームワークであるarianna+を提案する。
ネットワークでは、ノードは様々なデータコンテキスト化を可能にするオントロジーであり、エッジはデータを詳述する汎用計算手順である。
arianna+は、存在論的知識の原子表現であるプロシージャとステートメントの入力と出力の間の柔軟なインターフェースを提供する。
Arianna+は、論理に基づく推論、すなわちオントロジーにおける特定のステートメントの分類をチェックすることによって、イベントに基づいてプロシージャをスケジュールする。
各手順は、特定の事前知識に基づいてオントロジーで異なる文脈で記述された入力と出力を含む。
arianna+は、複数のコンテキスト内のデータをエンコードするネットワークの設計を可能にし、参照シナリオとして、すべてのアクティビティ間で共有される空間的コンテキストと、各アクティビティが認識されるための時間的コンテキストに基づくモジュラーネットワークを提案する。
本稿では,小オントロジーのネットワークは,同一の知識を符号化する1つのオントロジーよりも,より知性が高く,計算負荷が小さいことを論じる。
arianna+は、同じアーキテクチャのヘテロジニアスなデータ処理技術に統合されている。
したがって,アクティビティ認識に対する新たなアルゴリズムアプローチを提案するのではなく,論理ベースおよびデータ駆動型アクティビティモデルにコンテキスト指向で適応するためのアーキテクチャ的側面に注目する。
また、データコンテキスト化とアクティビティ認識の推論の活用について論じ、ドメインの専門家が推進する反復的な開発プロセスを支援する。
関連論文リスト
- ContextGPT: Infusing LLMs Knowledge into Neuro-Symbolic Activity
Recognition Models [0.3277163122167433]
本研究では,人間活動に関する常識知識から抽出する新しいプロンプトエンジニアリング手法であるContextGPTを提案する。
2つの公開データセットで行った評価は、ContextGPTから常識知識を注入することで得られるNeSyモデルがデータ不足のシナリオにどのように有効であるかを示す。
論文 参考訳（メタデータ） (2024-03-11T10:32:23Z) - LOGICSEG: Parsing Visual Semantics with Neural Logic Learning and
Reasoning [73.98142349171552]
LOGICSEGは、神経誘導学習と論理推論をリッチデータとシンボリック知識の両方に統合する、全体論的視覚意味論である。
ファジィ論理に基づく連続的な緩和の間、論理式はデータとニューラルな計算グラフに基礎を置いており、論理によるネットワークトレーニングを可能にする。
これらの設計によりLOGICSEGは、既存のセグメンテーションモデルに容易に統合できる汎用的でコンパクトなニューラル論理マシンとなる。
論文 参考訳（メタデータ） (2023-09-24T05:43:19Z) - Interactive Natural Language Processing [67.87925315773924]
対話型自然言語処理(iNLP)は,NLP分野における新しいパラダイムとして登場した。
本稿では,iNLPの概念の統一的定義と枠組みを提案することから,iNLPに関する包括的調査を行う。
論文 参考訳（メタデータ） (2023-05-22T17:18:29Z) - The Neural Race Reduction: Dynamics of Abstraction in Gated Networks [12.130628846129973]
本稿では,情報フローの経路が学習力学に与える影響をスキーマ化するGated Deep Linear Networkフレームワークを紹介する。
正確な還元と、特定の場合において、学習のダイナミクスに対する正確な解が導出されます。
我々の研究は、ニューラルネットワークと学習に関する一般的な仮説を生み出し、より複雑なアーキテクチャの設計を理解するための数学的アプローチを提供する。
論文 参考訳（メタデータ） (2022-07-21T12:01:03Z) - Human Activity Recognition using Attribute-Based Neural Networks and
Context Information [61.67246055629366]
手作業におけるウェアラブルセンサデータから人間の活動認識(HAR)を考察する。
我々は、コンテキスト情報をディープニューラルネットワークベースのHARシステムに体系的に組み込む方法を示す。
提案したアーキテクチャは,最先端手法と比較してHAR性能が向上することを示す。
論文 参考訳（メタデータ） (2021-10-28T06:08:25Z) - Out of Context: A New Clue for Context Modeling of Aspect-based
Sentiment Analysis [54.735400754548635]
ABSAは、与えられた側面に関してレビューで表現された感情を予測することを目的としている。
与えられたアスペクトは、コンテキストモデリングプロセスにおけるコンテキストからの新たなヒントと見なされるべきである。
異なるバックボーンに基づいて複数のアスペクト認識コンテキストエンコーダを設計する。
論文 参考訳（メタデータ） (2021-06-21T02:26:03Z) - Joint Learning of Neural Transfer and Architecture Adaptation for Image
Recognition [77.95361323613147]
現在の最先端の視覚認識システムは、大規模データセット上でニューラルネットワークを事前トレーニングし、より小さなデータセットでネットワーク重みを微調整することに依存している。
本稿では,各ドメインタスクに適応したネットワークアーキテクチャの動的適応と,効率と効率の両面で重みの微調整の利点を実証する。
本手法は,ソースドメインタスクでスーパーネットトレーニングを自己教師付き学習に置き換え,下流タスクで線形評価を行うことにより,教師なしパラダイムに容易に一般化することができる。
論文 参考訳（メタデータ） (2021-03-31T08:15:17Z) - AI Centered on Scene Fitting and Dynamic Cognitive Network [4.228224431041357]
より強力な人工知能を実現するためには、エンドツーエンドの関数計算を変更する必要がある。
また、動的認知ネットワークモデル(DCNet)と呼ばれる具体的なスキームについても論じている。
論文 参考訳（メタデータ） (2020-10-02T06:13:41Z) - Exploiting Contextual Information with Deep Neural Networks [5.787117733071416]
文脈情報は、暗黙的かつ明示的な2つの根本的に異なる方法で活用できることを示します。
この論文では、文脈情報を2つの根本的に異なる方法で活用できることを示し、暗黙的かつ明示的に示す。
論文 参考訳（メタデータ） (2020-06-21T03:40:30Z) - A Dependency Syntactic Knowledge Augmented Interactive Architecture for
End-to-End Aspect-based Sentiment Analysis [73.74885246830611]
エンドツーエンドABSAのためのマルチタスク学習を用いた対話型アーキテクチャを新たに提案する。
このモデルは、よく設計された依存性関係埋め込みグラフ畳み込みネットワーク(DreGcn)を活用することで、構文知識(依存性関係と型)を完全に活用することができる。
3つのベンチマークデータセットの大規模な実験結果から,本手法の有効性が示された。
論文 参考訳（メタデータ） (2020-04-04T14:59:32Z)
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。