論文の概要: Timing Matters: Enhancing User Experience through Temporal Prediction in Smart Homes
- arxiv url: http://arxiv.org/abs/2411.18719v1
- Date: Wed, 27 Nov 2024 19:49:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-02 15:22:09.731086
- Title: Timing Matters: Enhancing User Experience through Temporal Prediction in Smart Homes
- Title(参考訳): タイミング:スマートホームにおける時間予測によるユーザエクスペリエンス向上
- Authors: Shrey Ganatra, Spandan Anaokar, Pushpak Bhattacharyya,
- Abstract要約: ユーザアクションとそのタイミングを,それぞれの日付と時刻のスタンプに合わせた11kのアクションシーケンスを用いて予測する。
私たちの知る限りでは、これはスマートホームの時間予測の最初の試みだ。
すべてのデータセットで40%の精度(96クラス)、正確なタイムスタンプを含むデータセットでは80%の精度(8クラス)を実現しています。
- 参考スコア(独自算出の注目度): 33.47304614659701
- License:
- Abstract: Have you ever considered the sheer volume of actions we perform using IoT (Internet of Things) devices within our homes, offices, and daily environments? From the mundane act of flicking a light switch to the precise adjustment of room temperatures, we are surrounded by a wealth of data, each representing a glimpse into user behaviour. While existing research has sought to decipher user behaviours from these interactions and their timestamps, a critical dimension still needs to be explored: the timing of these actions. Despite extensive efforts to understand and forecast user behaviours, the temporal dimension of these interactions has received scant attention. However, the timing of actions holds profound implications for user experience, efficiency, and overall satisfaction with intelligent systems. In our paper, we venture into the less-explored realm of human-centric AI by endeavoring to predict user actions and their timing. To achieve this, we contribute a meticulously synthesized dataset comprising 11k sequences of actions paired with their respective date and time stamps. Building upon this dataset, we propose our model, which employs advanced machine learning techniques for k-class classification over time intervals within a day. To the best of our knowledge, this is the first attempt at time prediction for smart homes. We achieve a 40% (96-class) accuracy across all datasets and an 80% (8-class) accuracy on the dataset containing exact timestamps, showcasing the efficacy of our approach in predicting the temporal dynamics of user actions within smart environments.
- Abstract(参考訳): 家庭、オフィス、そして日々の環境の中でIoT(Internet of Things)デバイスを使用して実行するアクションの量について考えたことがありますか?
光スイッチをフリックして部屋の温度を正確に調整するという日常的な行為から、私たちは豊富なデータに囲まれています。
既存の研究は、これらのインタラクションとそのタイムスタンプからユーザの振る舞いを解読しようとしてきたが、それでも重要な次元である、これらのアクションのタイミングを調査する必要がある。
ユーザの行動を理解し予測するための広範囲な努力にもかかわらず、これらのインタラクションの時間的次元には注意が向けられている。
しかし、行動のタイミングは、ユーザー体験、効率性、知的システムに対する全体的な満足度に重大な影響を及ぼす。
本稿では,ユーザの行動とタイミングを予測すべく,人間中心型AIの探求の少ない領域に挑戦する。
これを実現するために、各日付と時刻スタンプとを合わせた1万1千件のアクション列からなる、精巧に合成されたデータセットを寄贈する。
このデータセットに基づいて1日以内の時間間隔でkクラスの分類を行うため,高度な機械学習技術を用いたモデルを提案する。
私たちの知る限りでは、これはスマートホームの時間予測の最初の試みだ。
すべてのデータセットに対して40%(96クラス)の精度を達成し、正確なタイムスタンプを含むデータセット上で80%(8クラス)の精度を達成し、スマート環境におけるユーザアクションの時間的ダイナミクスを予測するアプローチの有効性を示す。
関連論文リスト
- What Makes Pre-Trained Visual Representations Successful for Robust
Manipulation? [57.92924256181857]
照明やシーンテクスチャの微妙な変化の下では,操作や制御作業のために設計された視覚表現が必ずしも一般化されないことがわかった。
創発的セグメンテーション能力は,ViTモデルにおける分布外一般化の強い予測因子であることがわかった。
論文 参考訳(メタデータ) (2023-11-03T18:09:08Z) - ASPEST: Bridging the Gap Between Active Learning and Selective
Prediction [56.001808843574395]
選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。
アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。
本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
論文 参考訳(メタデータ) (2023-04-07T23:51:07Z) - Palm up: Playing in the Latent Manifold for Unsupervised Pretraining [31.92145741769497]
本稿では,多種多様なデータセットを使用しながら探索行動を示すアルゴリズムを提案する。
私たちのキーとなるアイデアは、静的データセットに事前トレーニングされた深層生成モデルを活用し、潜在空間に動的モデルを導入することです。
次に、教師なし強化学習アルゴリズムを用いて、この環境を探索し、収集したデータに基づいて教師なし表現学習を行う。
論文 参考訳(メタデータ) (2022-10-19T22:26:12Z) - DisenHCN: Disentangled Hypergraph Convolutional Networks for
Spatiotemporal Activity Prediction [53.76601630407521]
本稿では,既存のソリューションのギャップを埋めるために,DistenHCNと呼ばれるハイパーグラフネットワークモデルを提案する。
特に,ユーザの好みと時間的活動の複雑なマッチングをヘテロジニアスなハイパーグラフにまとめる。
次に、ユーザ表現を異なる側面(位置認識、時間認識、活動認識)に切り離し、構築したハイパーグラフ上に対応するアスペクトの特徴を集約する。
論文 参考訳(メタデータ) (2022-08-14T06:51:54Z) - Learn to Predict How Humans Manipulate Large-sized Objects from
Interactive Motions [82.90906153293585]
本稿では,動きデータと動的記述子を融合させるグラフニューラルネットワークHO-GCNを提案する。
動的記述子を消費するネットワークは、最先端の予測結果が得られ、未確認オブジェクトへのネットワークの一般化に役立つことを示す。
論文 参考訳(メタデータ) (2022-06-25T09:55:39Z) - Extracting Fast and Slow: User-Action Embedding with Inter-temporal
Information [8.697025191437774]
時間的情報(時間間隔)を用いてユーザ行動を分析する手法を提案する。
ユーザのアクションシーケンスとその時間間隔を埋めて、時間間情報とともにアクションの低次元表現を得る。
本稿では、アクションシーケンスと時間間ユーザ行動情報の明示的なモデリングによって、解釈可能な解析が成功できることを実証する。
論文 参考訳(メタデータ) (2022-06-20T02:04:04Z) - Learning Self-Modulating Attention in Continuous Time Space with
Applications to Sequential Recommendation [102.24108167002252]
本稿では,複雑で非線形に進化する動的ユーザの嗜好をモデル化する,自己変調型注意ネットワークを提案する。
提案手法がトップNシーケンシャルなレコメンデーションタスクに与える影響を実証的に示すとともに,3つの大規模実世界のデータセットによる結果から,我々のモデルが最先端のパフォーマンスを達成できることを示す。
論文 参考訳(メタデータ) (2022-03-30T03:54:11Z) - Privacy-Preserving Learning of Human Activity Predictors in Smart
Environments [5.981641988736108]
我々は、最先端のディープニューラルネットワークに基づく手法を用いて、予測された人間の活動モデルを学ぶ。
我々の研究の新たな側面は、学習者が利用できるデータの時間的進化と、利用者が共有するデータを注意深く追跡することである。
論文 参考訳(メタデータ) (2021-01-17T01:04:53Z) - Data-Efficient Reinforcement Learning with Self-Predictive
Representations [21.223069189953037]
我々はエージェントに、未来への複数のステップを予測させるように訓練する。
この将来の予測目標は, 試料効率の高い深部RLの先行手法よりも優れている。
今後の予測とデータ拡張を組み合わせた完全な自己監督目標が,アタリにおける人間正規化スコアの0.415を達成している。
論文 参考訳(メタデータ) (2020-07-12T07:38:15Z) - A Spatial-Temporal Attentive Network with Spatial Continuity for
Trajectory Prediction [74.00750936752418]
空間連続性をもつ空間時間減衰ネットワーク(STAN-SC)という新しいモデルを提案する。
まず、最も有用かつ重要な情報を探るために、空間的時間的注意機構を提示する。
第2に、生成軌道の空間的連続性を維持するために、シーケンスと瞬間状態情報に基づく共同特徴系列を実行する。
論文 参考訳(メタデータ) (2020-03-13T04:35:50Z)
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。