論文の概要: Accurate Action Recommendation for Smart Home via Two-Level Encoders and Commonsense Knowledge

• arxiv url: http://arxiv.org/abs/2208.06089v1
• Date: Fri, 12 Aug 2022 02:24:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-15 13:06:04.283734
• Title: Accurate Action Recommendation for Smart Home via Two-Level Encoders and Commonsense Knowledge
• Title（参考訳）: 2レベルエンコーダとコモンセンス知識によるスマートホームの高精度行動勧告
• Authors: Hyunsik Jeon, Jongjin Kim, Hoyoung Yoon, Jaeri Lee, U Kang
• Abstract要約: スマートホームのための正確なアクションレコメンデーション手法であるSmartSenseを提案する。 個々のアクションについて、SmartSenseはデバイスコントロールとその時間的コンテキストを自己注意的な方法で要約する。 SmartSenseは、最高の競合製品よりも9.8%高いmAP@1を提供する最先端のパフォーマンスを実現している。
• 参考スコア（独自算出の注目度）: 15.483426620593013
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: How can we accurately recommend actions for users to control their devices at home? Action recommendation for smart home has attracted increasing attention due to its potential impact on the markets of virtual assistants and Internet of Things (IoT). However, designing an effective action recommender system for smart home is challenging because it requires handling context correlations, considering both queried contexts and previous histories of users, and dealing with capricious intentions in history. In this work, we propose SmartSense, an accurate action recommendation method for smart home. For individual action, SmartSense summarizes its device control and its temporal contexts in a self-attentive manner, to reflect the importance of the correlation between them. SmartSense then summarizes sequences of users considering queried contexts in a query-attentive manner to extract the query-related patterns from the sequential actions. SmartSense also transfers the commonsense knowledge from routine data to better handle intentions in action sequences. As a result, SmartSense addresses all three main challenges of action recommendation for smart home, and achieves the state-of-the-art performance giving up to 9.8% higher mAP@1 than the best competitor.
• Abstract（参考訳）: ユーザーが自宅でデバイスを制御するために、どうすれば正確にアクションを推奨できるのか? スマートホームのアクションレコメンデーションは、仮想アシスタントやIoT(Internet of Things)の市場に影響を与える可能性があることから、注目を集めている。 しかし,スマートホームのための効果的なアクションレコメンデータシステムの設計には,コンテキスト相関の処理,検索コンテキストと過去のユーザ履歴の両面を考慮したり,歴史における有能な意図を扱う必要があるため,課題がある。 本研究では,スマートホームのための高精度なアクションレコメンデーション手法であるSmartSenseを提案する。 個々のアクションについて、SmartSenseはデバイスコントロールとその時間的コンテキストを自己注意的に要約し、それら間の相関の重要性を反映している。 SmartSenseは、クエリ関連パターンをシーケンシャルアクションから抽出するために、クエリアテンティブな方法でクエリされたコンテキストを考慮するユーザのシーケンスを要約する。 SmartSenseはまた、通常のデータからコモンセンスの知識を転送し、アクションシーケンスの意図をよりよく処理する。 その結果、SmartSenseはスマートホームのアクションレコメンデーションの3つの主な課題に対処し、最高の競合製品よりも9.8%高いmAP@1を与える最先端のパフォーマンスを達成する。

関連論文リスト

• Leveraging Knowledge Graph Embedding for Effective Conversational Recommendation [4.079573593766921]
  知識グラフに基づく会話推薦システム(KG-CRS参照)を提案する。 具体的には,まずユーザ・テムグラフとアイテム・アトリビュートグラフを動的グラフに統合し,否定的な項目や属性を除去することで対話プロセス中に動的に変化する。 次に、ユーザ、アイテム、属性の情報埋め込みを、グラフ上の隣人の伝播も考慮して学習する。
  論文  参考訳（メタデータ） (2024-08-02T15:38:55Z)
• SmartRefine: A Scenario-Adaptive Refinement Framework for Efficient Motion Prediction [37.461695201579914]
  我々は,最小限の計算量で予測を洗練するために,SmartRefineというシナリオ適応型改良戦略を導入する。 SmartRefineは汎用的で柔軟なアプローチとして設計されており、ほとんどの最先端のモーション予測モデルにシームレスに統合することができる。 QCNetにSmartRefineを追加することで、提出時にArgoverse 2のリーダーボード(シングルエージェントトラック)で、すべてのアンサンブルフリーの作品をパフォーマンスします。
  論文  参考訳（メタデータ） (2024-03-18T05:53:20Z)
• Fast Peer Adaptation with Context-aware Exploration [63.08444527039578]
  マルチエージェントゲームにおける学習エージェントに対するピア識別報酬を提案する。 この報酬は、効果的な探索と迅速な適応のための文脈認識ポリシーを学ぶためのエージェントのモチベーションとなる。 我々は,競争力のある(クーンポーカー),協力的(PO-Overcooked),あるいは混合的(Predator-Prey-W)な(Pedator-Prey-W)ゲームを含む多種多様なテストベッドについて評価を行った。
  論文  参考訳（メタデータ） (2024-02-04T13:02:27Z)
• On Generative Agents in Recommendation [58.42840923200071]
  Agent4Recは、Large Language Modelsに基づいたレコメンデーションのユーザーシミュレータである。 各エージェントは、ページ単位でパーソナライズされた推奨モデルと対話する。
  論文  参考訳（メタデータ） (2023-10-16T06:41:16Z)
• KERM: Knowledge Enhanced Reasoning for Vision-and-Language Navigation [61.08389704326803]
  VLN(Vision-and-Language Navigation)は、実シーンにおける自然言語命令に続く遠隔地への移動を可能にするタスクである。 以前のアプローチのほとんどは、ナビゲート可能な候補を表現するために、機能全体やオブジェクト中心の機能を利用している。 本稿では,知識を活用したエージェントナビゲーション能力向上のための知識強化推論モデル(KERM)を提案する。
  論文  参考訳（メタデータ） (2023-03-28T08:00:46Z)
• Understanding or Manipulation: Rethinking Online Performance Gains of Modern Recommender Systems [38.75457258877731]
  本稿では,推薦アルゴリズムの操作度をベンチマークするフレームワークを提案する。 オンラインクリックスルー率が高いことは、必ずしもユーザーの初期嗜好をよりよく理解するという意味ではない。 我々は,制約付きユーザ嗜好操作による最適化問題として,将来のレコメンデーションアルゴリズムの研究を取り扱うべきであることを主張する。
  論文  参考訳（メタデータ） (2022-10-11T17:56:55Z)
• Explainable Activity Recognition for Smart Home Systems [9.909901668370589]
  我々は、説明可能な活動認識フレームワークを開発するために、説明可能な人工知能(XAI)技術からの洞察に基づいて構築する。 以上の結果から,XAI アプローチ SHAP は 92% の成功率を持つことが明らかとなった。 サンプルシナリオの83%では、ユーザは単純なアクティビティラベルよりも自然言語の説明を好む。
  論文  参考訳（メタデータ） (2021-05-20T14:35:51Z)
• Generative Adversarial Reward Learning for Generalized Behavior Tendency Inference [71.11416263370823]
  ユーザの行動嗜好モデルのための生成的逆強化学習を提案する。 我々のモデルは,差別的アクター批判ネットワークとWasserstein GANに基づいて,ユーザの行動から報酬を自動的に学習することができる。
  論文  参考訳（メタデータ） (2021-05-03T13:14:25Z)
• Generative Inverse Deep Reinforcement Learning for Online Recommendation [62.09946317831129]
  オンラインレコメンデーションのための新しい逆強化学習手法InvRecを提案する。 InvRecは、オンラインレコメンデーションのために、ユーザの行動から報酬関数を自動的に抽出する。
  論文  参考訳（メタデータ） (2020-11-04T12:12:25Z)
• Self-Supervised Reinforcement Learning for Recommender Systems [77.38665506495553]
  逐次リコメンデーションタスクのための自己指導型強化学習を提案する。 提案手法は,2つの出力層を持つ標準レコメンデーションモデルを強化する。 このようなアプローチに基づいて、自己監督型Q-ラーニング(SQN)と自己監督型アクター・クライブ(SAC)という2つのフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-10T11:18:57Z)

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。