論文の概要: Indoor Localization for Personalized Ambient Assisted Living of Multiple
Users in Multi-Floor Smart Environments
- arxiv url: http://arxiv.org/abs/2207.09025v1
- Date: Tue, 19 Jul 2022 02:07:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-20 12:55:22.827150
- Title: Indoor Localization for Personalized Ambient Assisted Living of Multiple
Users in Multi-Floor Smart Environments
- Title（参考訳）: 多床スマート環境における複数ユーザのパーソナライズ型環境支援生活のための屋内定位
- Authors: Nirmalya Thakur and Chia Y. Han
- Abstract要約: 本論文は、パーソナライズされた環境支援生活の発展に、4つの科学的貢献を行う。
まず、ユーザインタラクションの可能なすべての形式をモデル化するための確率論的推論に基づく数学的アプローチを示す。
第2に、個々のユーザプロファイルとユーザ固有のユーザインタラクションをモデル化する機械学習手法を用いて、このアプローチを使用するシステムを提案する。
第3に、信頼性、信頼性、シームレスなユーザ受け入れを高めるための高精度な屋内ローカライズシステムの開発の必要性に対処するため、このフレームワークは、新しい方法論を導入している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper presents a multifunctional interdisciplinary framework that makes
four scientific contributions towards the development of personalized ambient
assisted living, with a specific focus to address the different and dynamic
needs of the diverse aging population in the future of smart living
environments. First, it presents a probabilistic reasoning-based mathematical
approach to model all possible forms of user interactions for any activity
arising from the user diversity of multiple users in such environments. Second,
it presents a system that uses this approach with a machine learning method to
model individual user profiles and user-specific user interactions for
detecting the dynamic indoor location of each specific user. Third, to address
the need to develop highly accurate indoor localization systems for increased
trust, reliance, and seamless user acceptance, the framework introduces a novel
methodology where two boosting approaches Gradient Boosting and the AdaBoost
algorithm are integrated and used on a decision tree-based learning model to
perform indoor localization. Fourth, the framework introduces two novel
functionalities to provide semantic context to indoor localization in terms of
detecting each user's floor-specific location as well as tracking whether a
specific user was located inside or outside a given spatial region in a
multi-floor-based indoor setting. These novel functionalities of the proposed
framework were tested on a dataset of localization-related Big Data collected
from 18 different users who navigated in 3 buildings consisting of 5 floors and
254 indoor spatial regions. The results show that this approach of indoor
localization for personalized AAL that models each specific user always
achieves higher accuracy as compared to the traditional approach of modeling an
average user.
- Abstract（参考訳）: 本稿では,スマートな生活環境の今後における多様な高齢化の異なるニーズに対処することを目的とした,パーソナライズされた環境支援生活の発展に4つの科学的貢献をする多機能学際的枠組みを提案する。
まず、確率論的推論に基づく数学的アプローチを用いて、そのような環境における複数のユーザのユーザ多様性から生じるあらゆる活動に対して、あらゆる可能なユーザインタラクションの形式をモデル化する。
第2に,このアプローチを機械学習を用いて個々のユーザプロファイルとユーザ固有のユーザインタラクションをモデル化し,個々のユーザの動的屋内位置を検出するシステムを提案する。
第3に、信頼性の向上、信頼度の向上、シームレスなユーザ受け入れを実現するための高精度な屋内ローカライゼーションシステムの開発の必要性に対処するため、このフレームワークでは、屋内ローカライゼーションを行うための決定木に基づく学習モデルに、グラディエント・ブースティングとAdaBoostアルゴリズムを統合して利用する新しい手法を導入している。
第4に、このフレームワークは、各ユーザのフロア固有の位置を検知し、複数のフロアベースの屋内環境において、特定のユーザが所定の空間領域内外にあるかどうかをトラッキングする、という2つの新しい機能を導入している。
提案フレームワークの新機能は,5フロアと254室内空間領域からなる3つの建物をナビゲートした18の異なるユーザから収集した局所化関連ビッグデータのデータセットを用いて検証した。
その結果,個人別AALの屋内局所化手法は,平均的ユーザをモデル化する従来の手法に比べて,常に高い精度を達成できることがわかった。
関連論文リスト
- Learning Where to Look: Self-supervised Viewpoint Selection for Active Localization using Geometrical Information [68.10033984296247]
本稿では, 位置決めの精度を高めるために, 視点選択の重要性を強調し, アクティブな位置決め領域について検討する。
私たちのコントリビューションは、リアルタイム操作用に設計されたシンプルなアーキテクチャ、自己教師付きデータトレーニング方法、および実世界のロボティクスアプリケーションに適した計画フレームワークにマップを一貫して統合する能力による、データ駆動型アプローチの使用に関するものです。
論文 参考訳（メタデータ） (2024-07-22T12:32:09Z) - Personalization Improves Privacy-Accuracy Tradeoffs in Federated
Optimization [57.98426940386627]
局所的な学習とプライベートな集中学習の協調は、総合的に有用であり、精度とプライバシのトレードオフを改善していることを示す。
合成および実世界のデータセットに関する実験により理論的結果について述べる。
論文 参考訳（メタデータ） (2022-02-10T20:44:44Z) - Modelling of Bi-directional Spatio-Temporal Dependence and Users'
Dynamic Preferences for Missing POI Check-in Identification [38.51964956686177]
双方向の時間的依存とユーザの動的嗜好を統合するモデルであるBi-STDDPを開発した。
その結果, 最先端手法と比較して, モデルの大幅な改善が示された。
論文 参考訳（メタデータ） (2021-12-31T03:54:37Z) - Personalized Federated Learning through Local Memorization [10.925242558525683]
フェデレーション学習により、クライアントはデータをローカルに保ちながら、統計的モデルを協調的に学習することができる。
最近のパーソナライズされた学習方法は、他のクライアントで利用可能な知識を活用しながら、各クライアントに対して別々のモデルを訓練する。
本稿では,この手法が最先端手法よりも精度と公平性を著しく向上することを示す。
論文 参考訳（メタデータ） (2021-11-17T19:40:07Z) - Subspace Learning for Personalized Federated Optimization [7.475183117508927]
本稿では,AIシステムにおけるパーソナライズされた学習の問題に対処する手法を提案する。
提案手法は、パーソナライズされたクライアント評価設定と見当たらないクライアント評価設定の両方において、一貫した利得が得られることを示す。
論文 参考訳（メタデータ） (2021-09-16T00:03:23Z) - Multimodal Approaches for Indoor Localization for Ambient Assisted
Living in Smart Homes [0.0]
ユーザインタラクションのマルチモーダルコンポーネントを研究する,ビッグデータ駆動の方法論を提案する。
第二に、加速度計とジャイロスコープデータを解釈できる文脈に依存しないアプローチを導入する。
第3に,室内位置の空間座標を検出する手法を提案する。
論文 参考訳（メタデータ） (2021-06-29T17:46:21Z) - Personalized Federated Learning with First Order Model Optimization [76.81546598985159]
そこで我々は,各クライアントが他のクライアントと連携して,クライアント固有の目的ごとのより強力なモデルを得る,フェデレーション学習の代替案を提案する。
基礎となるデータ分布やクライアントの類似性に関する知識を前提とせず、各クライアントが関心のある任意のターゲット分布を最適化できるようにします。
この手法は既存の代替品を上回り、ローカルデータ配信以外の転送のようなパーソナライズされたFLの新機能を可能にする。
論文 参考訳（メタデータ） (2020-12-15T19:30:29Z) - Examination and Extension of Strategies for Improving Personalized
Language Modeling via Interpolation [59.35932511895986]
我々は,グローバルLSTMベースのオーサリングモデルをユーザ個人化n-gramモデルで補間することにより,ユーザレベルでのオフラインメトリクスの改善を示す。
利用者の80%以上がパープレキシティのリフトを受けており、ユーザー当たり平均5.2%がパープレキシティのリフトを受け取っている。
論文 参考訳（メタデータ） (2020-06-09T19:29:41Z) - Multi-Center Federated Learning [62.57229809407692]
本稿では,フェデレート学習のための新しい多中心集約機構を提案する。
非IIDユーザデータから複数のグローバルモデルを学び、同時にユーザとセンタ間の最適なマッチングを導出する。
ベンチマークデータセットによる実験結果から,本手法はいくつかの一般的なフェデレーション学習法より優れていることが示された。
論文 参考訳（メタデータ） (2020-05-03T09:14:31Z) - Unsupervised Model Personalization while Preserving Privacy and
Scalability: An Open Problem [55.21502268698577]
本研究では,非教師なしモデルパーソナライゼーションの課題について検討する。
この問題を探求するための新しいDual User-Adaptation Framework(DUA)を提供する。
このフレームワークは、サーバ上のモデルパーソナライズとユーザデバイス上のローカルデータ正規化に柔軟にユーザ適応を分散させる。
論文 参考訳（メタデータ） (2020-03-30T09:35:12Z) - Personalized Federated Learning: A Meta-Learning Approach [28.281166755509886]
フェデレートラーニング(Federated Learning)では、複数のコンピューティングユニット(ユーザ)にまたがるモデルをトレーニングすることを目的としています。
本稿では,現在あるいは新規利用者が自身のデータに対して1段階ないし数段階の勾配降下を実行することで,ローカルデータセットに容易に適応できるような,初歩的な共有モデルを見つけることを目標とする,フェデレーション学習のパーソナライズされたバリエーションについて検討する。
論文 参考訳（メタデータ） (2020-02-19T01:08:46Z)
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。