論文の概要: Positional Encoding-based Resident Identification in Multi-resident Smart Homes

• arxiv url: http://arxiv.org/abs/2310.17836v1
• Date: Fri, 27 Oct 2023 01:29:41 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-30 15:09:54.943572
• Title: Positional Encoding-based Resident Identification in Multi-resident Smart Homes
• Title（参考訳）: マルチレジデントスマートホームにおける位置符号化に基づくレジデント識別
• Authors: Zhiyi Song, Dipankar Chaki, Abdallah Lakhdari, Athman Bouguettaya
• Abstract要約: 本稿では,多人数居住型スマート環境における住民識別のための新しい住民識別フレームワークを提案する。 提案フレームワークは位置符号化の概念に基づく特徴抽出モデルを用いている。 我々は、スマート環境のレイアウトマップからそのようなグラフを構築するための新しいアルゴリズムを設計する。
• 参考スコア（独自算出の注目度）: 1.2084539012992412
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a novel resident identification framework to identify residents in a multi-occupant smart environment. The proposed framework employs a feature extraction model based on the concepts of positional encoding. The feature extraction model considers the locations of homes as a graph. We design a novel algorithm to build such graphs from layout maps of smart environments. The Node2Vec algorithm is used to transform the graph into high-dimensional node embeddings. A Long Short-Term Memory (LSTM) model is introduced to predict the identities of residents using temporal sequences of sensor events with the node embeddings. Extensive experiments show that our proposed scheme effectively identifies residents in a multi-occupant environment. Evaluation results on two real-world datasets demonstrate that our proposed approach achieves 94.5% and 87.9% accuracy, respectively.
• Abstract（参考訳）: 多人数のスマート環境における住民識別のための新しい住民識別フレームワークを提案する。 提案フレームワークは位置符号化の概念に基づく特徴抽出モデルを用いている。 特徴抽出モデルは、住宅の位置をグラフとして考える。 スマート環境のレイアウトマップからこのようなグラフを構築する新しいアルゴリズムを設計する。 Node2Vecアルゴリズムはグラフを高次元ノード埋め込みに変換するために使用される。 長短期記憶(LSTM)モデルを導入し,ノード埋め込みによるセンサイベントの時間的シーケンスを用いて住民の身元を推定する。 広範囲にわたる実験により,提案手法が居住環境の住民を効果的に識別できることが確認された。 実世界の2つのデータセットの評価結果は,提案手法がそれぞれ94.5%,87.9%の精度を達成したことを示している。

関連論文リスト

• Scalable Property Valuation Models via Graph-based Deep Learning [5.172964916120902]
  類似した特徴を持つ近隣住宅の配列を効果的に同定する2つの新しいグラフニューラルネットワークモデルを開発した。 本研究では, グラフニューラルネットワークを用いて住宅価格予測を行うことにより, 住宅価格予測の精度を著しく向上することを示す。
  論文  参考訳（メタデータ） (2024-05-10T15:54:55Z)
• Coupled Laplacian Eigenmaps for Locally-Aware 3D Rigid Point Cloud Matching [0.0]
  局所構造を考慮したグラフラプラシアン固有写像に基づく新しい手法を提案する。 ラプラシアン固有写像の順序と符号のあいまいさに対処するために、結合ラプラシアンと呼ばれる新しい作用素を導入する。 これらの高次元空間間の類似性は、形状に一致するような局所的な意味のあるスコアを与えることを示す。
  論文  参考訳（メタデータ） (2024-02-27T10:10:12Z)
• Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
  本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。 提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
  論文  参考訳（メタデータ） (2024-01-12T17:57:07Z)
• Pose-Graph Attentional Graph Neural Network for Lidar Place Recognition [16.391871270609055]
  本稿では,P-GATと呼ばれるポーズグラフ注目グラフニューラルネットワークを提案する。 位置認識タスクのシーケンシャルと非シーケンシャルなサブグラフのキーノードを比較する。 P-GATは、近隣の雲記述子間の最大空間情報と時間情報を使用する。
  論文  参考訳（メタデータ） (2023-08-31T23:17:44Z)
• Multilayer Multiset Neuronal Networks -- MMNNs [55.2480439325792]
  本研究は,2層以上の類似性ニューロンを組み込んだ多層神経回路網について述べる。 また,回避すべき画像領域に割り当てられる反プロトタイプ点の利用についても検討した。
  論文  参考訳（メタデータ） (2023-08-28T12:55:13Z)
• Targeting occupant feedback using digital twins: Adaptive spatial-temporal thermal preference sampling to optimize personal comfort models [0.0]
  本稿では,スマートウォッチを用いたデータサンプリングを最適化するシナリオベース(仮想実験)手法について概説する。 提案したBuild2Vec法は,空間に基づくサンプリング法や正方形グリッドに基づくサンプリング法よりも,全体のサンプリング品質が18～23%高い。
  論文  参考訳（メタデータ） (2022-02-22T07:38:23Z)
• Spatial-spectral Hyperspectral Image Classification via Multiple Random Anchor Graphs Ensemble Learning [88.60285937702304]
  本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。 まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。 次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
  論文  参考訳（メタデータ） (2021-03-25T09:31:41Z)
• Graph-PCNN: Two Stage Human Pose Estimation with Graph Pose Refinement [54.29252286561449]
  グラフPCNNと呼ばれる2段階のグラフベースおよびモデルに依存しないフレームワークを提案する。 第1段階では、粗局化結果を得るために熱マップ回帰ネットワークを適用し、ガイドポイントと呼ばれる一連の提案キーポイントをサンプリングする。 第2段階では、各案内点について、ローカライゼーションにより異なる視覚特徴を抽出する。 ガイドされた点間の関係は、より正確なローカライゼーション結果を得るためにグラフポーズ精製モジュールによって探索される。
  論文  参考訳（メタデータ） (2020-07-21T04:59:15Z)
• Structural Temporal Graph Neural Networks for Anomaly Detection in Dynamic Graphs [54.13919050090926]
  本稿では,動的グラフの異常エッジを検出するために,エンドツーエンドの時間構造グラフニューラルネットワークモデルを提案する。 特に,まずターゲットエッジを中心にした$h$ホップ囲むサブグラフを抽出し,各ノードの役割を識別するノードラベル機能を提案する。 抽出した特徴に基づき,GRU(Gated Recurrent Unit)を用いて,異常検出のための時間的情報を取得する。
  論文  参考訳（メタデータ） (2020-05-15T09:17:08Z)
• Binarized Graph Neural Network [65.20589262811677]
  我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。 提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。 実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
  論文  参考訳（メタデータ） (2020-04-19T09:43:14Z)

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。