論文の概要: Lightweight Modeling of User Context Combining Physical and Virtual
Sensor Data
- arxiv url: http://arxiv.org/abs/2306.16029v1
- Date: Wed, 28 Jun 2023 08:57:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-29 15:08:27.013958
- Title: Lightweight Modeling of User Context Combining Physical and Virtual
Sensor Data
- Title（参考訳）: 物理・仮想センサデータを組み合わせたユーザコンテキストの軽量モデリング
- Authors: Mattia Giovanni Campana, Dimitris Chatzopoulos, Franca Delmastro, Pan
Hui
- Abstract要約: 本研究では,パーソナルモバイルデバイスから異質なセンサデータを含むデータセットを収集するフレームワークを提案する。
本稿では,ユーザコンテキストをモデル化し,推論プロセス全体を効率的に実行するための軽量なアプローチを提案する。
精度の低下を3%以下に抑えつつ、10倍のスピードアップと90%以上の機能低下を実現した。
- 参考スコア（独自算出の注目度）: 15.800978541993706
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The multitude of data generated by sensors available on users' mobile
devices, combined with advances in machine learning techniques, support
context-aware services in recognizing the current situation of a user (i.e.,
physical context) and optimizing the system's personalization features.
However, context-awareness performances mainly depend on the accuracy of the
context inference process, which is strictly tied to the availability of
large-scale and labeled datasets. In this work, we present a framework
developed to collect datasets containing heterogeneous sensing data derived
from personal mobile devices. The framework has been used by 3 voluntary users
for two weeks, generating a dataset with more than 36K samples and 1331
features. We also propose a lightweight approach to model the user context able
to efficiently perform the entire reasoning process on the user mobile device.
To this aim, we used six dimensionality reduction techniques in order to
optimize the context classification. Experimental results on the generated
dataset show that we achieve a 10x speed up and a feature reduction of more
than 90% while keeping the accuracy loss less than 3%.
- Abstract（参考訳）: ユーザのモバイルデバイスで利用可能なセンサによって生成される多数のデータと、機械学習技術の進歩、ユーザの現在の状況(物理的コンテキスト)を認識し、システムのパーソナライズ機能を最適化するコンテキスト認識サービスのサポートを組み合わせる。
しかし、コンテキスト認識性能は主にコンテキスト推論プロセスの精度に依存しており、これは大規模およびラベル付きデータセットの可用性に厳密に関係している。
本研究では,パーソナルモバイルデバイスから得られた異種センシングデータを含むデータセットを収集するフレームワークを提案する。
このフレームワークは3人の任意ユーザが2週間使用し、36K以上のサンプルと1331の機能を持つデータセットを生成する。
また,ユーザモバイルデバイス上で推論処理全体を効率的に実行するユーザコンテキストをモデル化する軽量なアプローチを提案する。
この目的のために, 文脈分類を最適化するために6次元化手法を用いた。
生成したデータセットに対する実験結果から,精度損失を3%以下に抑えつつ,10倍のスピードアップと90%以上の特徴低下を実現した。
関連論文リスト
- ContextLabeler Dataset: physical and virtual sensors data collected from
smartphone usage in-the-wild [7.310043452300736]
本稿では,データ収集キャンペーンと,スマートフォンセンサから得られたデータセットについて述べる。
収集されたデータセットは、新しいコンテキスト認識ソリューションの幅広いセットを定義し評価するために、実際のデータの有用なソースである。
論文 参考訳（メタデータ） (2023-07-07T13:28:29Z) - MyDigitalFootprint: an extensive context dataset for pervasive computing
applications at the edge [7.310043452300736]
MyDigitalFootprintは、スマートフォンセンサーデータ、物理的な近接情報、オンラインソーシャルネットワークのインタラクションを含む大規模なデータセットである。
自然環境における31人のボランティアユーザーによる2ヶ月の計測で、制限なしの行動を可能にする。
データセットの有効性を示すために,各種機械学習タスクを利用したコンテキスト認識3つのアプリケーションを提案する。
論文 参考訳（メタデータ） (2023-06-28T07:59:47Z) - On-device modeling of user's social context and familiar places from
smartphone-embedded sensor data [7.310043452300736]
本稿では,ユーザの社会的状況や位置を直接モバイルデバイス上でモデル化する,教師なしで軽量なアプローチを提案する。
ソーシャルなコンテキストにおいて、このアプローチはユーザーとそのデバイス間の物理的およびサイバーなソーシャルインタラクションのデータを利用する。
提案手法の有効性は,実世界の5つのデータセットを用いた3つの実験によって実証された。
論文 参考訳（メタデータ） (2023-06-27T12:53:14Z) - TRoVE: Transforming Road Scene Datasets into Photorealistic Virtual
Environments [84.6017003787244]
本研究では、シミュレーションデータセットに存在する困難とドメインギャップに対処する合成データ生成パイプラインを提案する。
既存のデータセットからアノテーションや視覚的手がかりを利用すれば、自動マルチモーダルデータ生成が容易になることを示す。
論文 参考訳（メタデータ） (2022-08-16T20:46:08Z) - HyperImpute: Generalized Iterative Imputation with Automatic Model
Selection [77.86861638371926]
カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。
既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
論文 参考訳（メタデータ） (2022-06-15T19:10:35Z) - On-device modeling of user's social context and familiar places from
smartphone-embedded sensor data [7.310043452300736]
ユーザの社会的文脈とその位置をモデル化するための,新しい,教師なし,軽量なアプローチを提案する。
ユーザとそのデバイス間の物理的およびサイバー的ソーシャルインタラクションに関連するデータを活用する。
日常の状況を認識するための3つの機械学習アルゴリズムの性能を示す。
論文 参考訳（メタデータ） (2022-05-18T08:32:26Z) - Information-Theoretic Odometry Learning [83.36195426897768]
生体計測推定を目的とした学習動機付け手法のための統合情報理論フレームワークを提案する。
提案フレームワークは情報理論言語の性能評価と理解のためのエレガントなツールを提供する。
論文 参考訳（メタデータ） (2022-03-11T02:37:35Z) - DAPPER: Label-Free Performance Estimation after Personalization for
Heterogeneous Mobile Sensing [95.18236298557721]
DAPPER(Domain AdaPtation Performance EstimatoR)を提案する。
実世界の6つのベースラインと比較した4つのセンシングデータセットによる評価の結果,DAPPERの精度は39.8%向上した。
論文 参考訳（メタデータ） (2021-11-22T08:49:33Z) - SensiX: A Platform for Collaborative Machine Learning on the Edge [69.1412199244903]
センサデータとセンサモデルの間に留まるパーソナルエッジプラットフォームであるSensiXを紹介する。
動作および音声に基づくマルチデバイスセンシングシステムの開発において,その有効性を示す。
評価の結果,SensiXは3mWのオーバヘッドを犠牲にして,全体の精度が7～13%向上し,環境のダイナミクスが最大30%向上することがわかった。
論文 参考訳（メタデータ） (2020-12-04T23:06:56Z) - Improving the Performance of Fine-Grain Image Classifiers via Generative
Data Augmentation [0.5161531917413706]
我々は、ロバスト生成アドリアルネットワーク(DAPPER GAN)の熟練した事前学習からデータ拡張を開発する。
DAPPER GANは、トレーニングイメージの新しいビューを自動的に生成するML分析支援ツールである。
本手法をStanford Carsデータセット上で実験的に評価し,車体形状とモデル分類精度の向上を実証した。
論文 参考訳（メタデータ） (2020-08-12T15:29:11Z) - Omni-supervised Facial Expression Recognition via Distilled Data [120.11782405714234]
ネットワークトレーニングにおいて,信頼度の高いサンプルを多量のラベルのないデータで活用するためのオムニ教師付き学習を提案する。
我々は,新しいデータセットが学習したFERモデルの能力を大幅に向上させることができることを実験的に検証した。
そこで本研究では,生成したデータセットを複数のクラスワイド画像に圧縮するために,データセット蒸留戦略を適用することを提案する。
論文 参考訳（メタデータ） (2020-05-18T09:36:51Z)
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。