論文の概要: Timing Matters: Enhancing User Experience through Temporal Prediction in Smart Homes

• arxiv url: http://arxiv.org/abs/2411.18719v2
• Date: Mon, 15 Sep 2025 05:31:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-16 15:23:15.887863
• 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: IoTデバイスは巨大なインタラクションデータを生成し、ユーザの振る舞いに関する洞察を提供する。 以前の作業では、ユーザが実行するアクションを予測する一方で、これらのアクションのタイミングは比較的過小評価されている。 スマート環境における次のユーザアクションのタイミングを予測することに注力する。
• 参考スコア（独自算出の注目度）: 38.304584579482054
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The proliferation of IoT devices generates vast interaction data, offering insights into user behaviour. While prior work predicts what actions users perform, the timing of these actions -- critical for enabling proactive and efficient smart systems -- remains relatively underexplored. Addressing this gap, we focus on predicting the time of the next user action in smart environments. Due to the lack of public datasets with fine-grained timestamps suitable for this task and associated privacy concerns, we contribute a dataset of 11.6k sequences synthesized based on human annotations of interaction patterns, pairing actions with precise timestamps. To this end, we introduce Timing-Matters, a Transformer-Encoder based method that predicts action timing, achieving 38.30% accuracy on the synthesized dataset, outperforming the best baseline by 6%, and showing 1--6% improvements on other open datasets. Our code and dataset will be publicly released.
• Abstract（参考訳）: IoTデバイスの普及は、膨大なインタラクションデータを生成し、ユーザの振る舞いに関する洞察を提供する。 これまでの作業では、ユーザが実行するアクションを予測していましたが、これらのアクションのタイミング — アクティブで効率的なスマートシステムを実現する上で重要なもの — は、まだ比較的過小評価されています。 このギャップに対処するため、私たちはスマートな環境での次のユーザーアクションのタイミングを予測することに重点を置いています。 このタスクに適した詳細なタイムスタンプを備えた公開データセットの欠如と、関連するプライバシー上の懸念から、インタラクションパターンの人間のアノテーション、正確なタイムスタンプとのペアリングアクションに基づいて合成された11.6kシーケンスのデータセットをコントリビュートする。 この目的のために、Transformer-EncoderベースのメソッドであるTiming-Mattersを導入し、アクションタイミングを予測し、合成データセットで38.30%の精度を実現し、最高のベースラインを6%上回り、他のオープンデータセットで1-6%改善したことを示す。 コードとデータセットは公開されます。

関連論文リスト

• CADDI: An in-Class Activity Detection Dataset using IMU data from low-cost sensors [3.3860149185538613]
  安価なIMUセンサを用いたクラス内アクティビティ検出のための新しいデータセットを提案する。 データセットは、典型的な教室のシナリオで12人の参加者が実行した、瞬間的および連続的な19の多様なアクティビティで構成されている。 加速度計、ジャイロスコープ、回転ベクトルデータ、および同期ステレオ画像を含み、センサーと視覚データを用いたマルチモーダルアルゴリズムを開発するための包括的なリソースを提供する。
  論文  参考訳（メタデータ） (2025-03-04T18:29:57Z)
• 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。