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
- 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) - SeGA: Preference-Aware Self-Contrastive Learning with Prompts for
Anomalous User Detection on Twitter [14.483830120541894]
本稿では,ユーザの異常検出のための自己コントラスト学習であるSeGAを提案する。
SeGAは、投稿を通じてユーザの好みを要約するために、大きな言語モデルを使用する。
モデル設計と事前学習戦略の有効性を実証的に検証する。
論文 参考訳(メタデータ) (2023-12-17T05:35:28Z) - On Generative Agents in Recommendation [65.52796348055281]
Agent4RecはLarge Language Models (LLM)に基づく映画レコメンデーションシミュレータである。
ユーザプロファイル、メモリ、アクションモジュールを備えたLLMを内蔵した生成エージェントは、レコメンダシステムに特化している。
Agent4Recの評価では、エージェント間のアライメントと逸脱とユーザ個人化された好みの両方を強調している。
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) - Deep Smart Contract Intent Detection [2.2313164168600372]
本稿では,スマートコントラクトの自動意図検出を行うための,新しいディープラーニングベースのアプローチであるSmartIntentNNを提案する。
SmartIntentNNは、スマートコントラクトの文脈表現を生成する事前訓練された文エンコーダ、インテント関連表現を強調するK平均クラスタリング方法、スマートコントラクトの意図を予測する双方向LSTMベースのマルチラベル分類ネットワークである。
実験によると、SmartIntentNNはf1スコアのメトリックですべてのベースラインを最大0.8212パフォーマンスで上回っている。
論文 参考訳(メタデータ) (2022-11-19T15:40:26Z) - 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。