論文の概要: Prism: Mining Task-aware Domains in Non-i.i.d. IMU Data for Flexible User Perception
- arxiv url: http://arxiv.org/abs/2501.01598v1
- Date: Fri, 03 Jan 2025 02:07:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-06 15:11:11.671051
- Title: Prism: Mining Task-aware Domains in Non-i.i.d. IMU Data for Flexible User Perception
- Title（参考訳）: Prism: フレキシブルユーザ認識のための非i.d.IMUデータにおけるタスク対応ドメインのマイニング
- Authors: Yunzhe Li, Facheng Hu, Hongzi Zhu, Quan Liu, Xiaoke Zhao, Jiangang Shen, Shan Chang, Minyi Guo,
- Abstract要約: モバイルデバイス上で高いFUP精度を得ることができるPrismと呼ばれる新しいスキームを提案する。
Prismの中核は、IMUデータセットに埋め込まれたタスク認識ドメインを発見し、特定されたドメインごとにドメイン認識モデルをトレーニングすることである。
結果は、Prismが低レイテンシで最高のFUPパフォーマンスを達成できることを示しています。
- 参考スコア（独自算出の注目度）: 20.61555898129175
- License:
- Abstract: A wide range of user perception applications leverage inertial measurement unit (IMU) data for online prediction. However, restricted by the non-i.i.d. nature of IMU data collected from mobile devices, most systems work well only in a controlled setting (e.g., for a specific user in particular postures), limiting application scenarios. To achieve uncontrolled online prediction on mobile devices, referred to as the flexible user perception (FUP) problem, is attractive but hard. In this paper, we propose a novel scheme, called Prism, which can obtain high FUP accuracy on mobile devices. The core of Prism is to discover task-aware domains embedded in IMU dataset, and to train a domain-aware model on each identified domain. To this end, we design an expectation-maximization (EM) algorithm to estimate latent domains with respect to the specific downstream perception task. Finally, the best-fit model can be automatically selected for use by comparing the test sample and all identified domains in the feature space. We implement Prism on various mobile devices and conduct extensive experiments. Results demonstrate that Prism can achieve the best FUP performance with a low latency.
- Abstract（参考訳）: 広範囲のユーザ認識アプリケーションは、オンライン予測に慣性計測ユニット(IMU)データを活用する。
しかし、モバイルデバイスから収集されたIMUデータの性質に制限されているため、ほとんどのシステムは制御された設定(例えば特定のユーザーの特定の姿勢)でのみ動作し、アプリケーションのシナリオを制限している。
フレキシブルユーザ認識(FUP)問題と呼ばれるモバイルデバイス上での制御不能なオンライン予測を実現することは魅力的だが難しい。
本稿では,モバイルデバイス上で高いFUP精度が得られるPrismという新しいスキームを提案する。
Prismの中核は、IMUデータセットに埋め込まれたタスク認識ドメインを発見し、特定されたドメインごとにドメイン認識モデルをトレーニングすることである。
そこで我々は,特定の下流認識タスクに対して潜在領域を推定する予測最大化(EM)アルゴリズムを設計する。
最後に、テストサンプルと特徴空間内のすべての特定ドメインを比較して、最適なモデルを自動的に選択することができる。
各種モバイルデバイスにPrismを実装し,広範な実験を行う。
結果は、Prismが低レイテンシで最高のFUPパフォーマンスを達成できることを示しています。
関連論文リスト
- PRIMUS: Pretraining IMU Encoders with Multimodal Self-Supervision [7.896850422430362]
ラベルなしまたは弱いラベル付きIMUデータは、人間の動きをモデル化するために使用できる。
本稿では,新しい事前学習目標を用いたIMUエンコーダのPRIMUSを提案する。
PRIMUSは最先端のベースラインと比較して、テスト精度を最大15%改善する。
論文 参考訳（メタデータ） (2024-11-22T18:46:30Z) - Neural 5G Indoor Localization with IMU Supervision [63.45775390000508]
無線信号は、ユビキタスであるため、ユーザのローカライゼーションに適しており、暗黒環境で動作し、プライバシを維持することができる。
多くの先行研究は、チャネル状態情報(CSI)と完全に監督された位置の間のマッピングを学ぶ。
本研究は,慣性測定ユニット(IMU)から算出した擬似ラベルを用いて,本要件を緩和するものである。
論文 参考訳（メタデータ） (2024-02-15T13:51:21Z) - Machine Learning-based Positioning using Multivariate Time Series
Classification for Factory Environments [0.0]
最先端のソリューションは外部インフラストラクチャに大きく依存しており、潜在的なプライバシー侵害にさらされている。
機械学習(ML)の最近の進歩は、IoTデバイスのオンボードセンサーのデータのみに依存する、これらの制限に対処するソリューションを提供する。
本稿では,移動体をプライバシ関連工場環境に局在させるため,モーションセンサと環境センサを用いた機械学習による屋内位置決めシステムを提案する。
論文 参考訳（メタデータ） (2023-08-22T10:07:19Z) - IMUPoser: Full-Body Pose Estimation using IMUs in Phones, Watches, and
Earbuds [41.8359507387665]
我々は、多くのユーザーが所有しているデバイスで既にIMUを用いて身体のポーズを推定できる可能性を探る。
私たちのパイプラインは、利用可能なIMUデータのサブセットを受け取ります。
論文 参考訳（メタデータ） (2023-04-25T02:13:24Z) - DUET: A Tuning-Free Device-Cloud Collaborative Parameters Generation Framework for Efficient Device Model Generalization [66.27399823422665]
デバイスモデル一般化(Device Model Generalization, DMG)は、デバイス上での機械学習アプリケーションにおいて、実用的ながら実証されていない研究トピックである。
本稿では,Device-cloUdコラボレーティブパラメトリクスフレームワークDUETを提案する。
論文 参考訳（メタデータ） (2022-09-12T13:26:26Z) - IMG2IMU: Translating Knowledge from Large-Scale Images to IMU Sensing
Applications [6.865654843241631]
IMG2IMUは、大規模画像から多様なIMUセンシングタスクに事前訓練された表現を適応させる。
我々は,センサデータを視覚的に解釈可能なスペクトログラムに変換し,視覚から得られる知識を活用する。
IMG2IMUは、センサーデータに基づいて事前訓練されたベースラインを平均9.6%p F1スコアで上回る。
論文 参考訳（メタデータ） (2022-09-02T11:00:23Z) - Online Data Selection for Federated Learning with Limited Storage [53.46789303416799]
ネットワークデバイス間での分散機械学習を実現するために、フェデレートラーニング(FL)が提案されている。
デバイス上のストレージがFLの性能に与える影響はまだ調査されていない。
本研究では,デバイス上のストレージを限定したFLのオンラインデータ選択について検討する。
論文 参考訳（メタデータ） (2022-09-01T03:27:33Z) - SCAI: A Spectral data Classification framework with Adaptive Inference
for the IoT platform [0.0]
適応推論を用いたスペクトルデータ分類フレームワークを提案する。
具体的には、異なるデバイス間のコラボレーションをよりよく活用しながら、異なるサンプルに対して異なる計算を割り当てる。
我々の知る限り、この論文はIoTプラットフォーム下でのスペクトル検出のための適応推論による最適化を行うための最初の試みである。
論文 参考訳（メタデータ） (2022-06-24T09:22:52Z) - GAIA: A Transfer Learning System of Object Detection that Fits Your
Needs [136.60609274344893]
大規模データセットの事前学習によるトランスファーラーニングは,コンピュータビジョンや自然言語処理において,ますます重要な役割を担っている。
本稿では,物体検出の領域に着目し,GAIAと呼ばれる移動学習システムを提案する。
GAIAは、レイテンシ制約や指定されたデータドメインなどの下流要求に適合するモデルを選択する、強力な事前訓練されたウェイトを提供することができる。
論文 参考訳（メタデータ） (2021-06-21T18:24:20Z) - Moving Object Classification with a Sub-6 GHz Massive MIMO Array using
Real Data [64.48836187884325]
無線信号を用いた屋内環境における各種活動の分類は,様々な応用の新たな技術である。
本論文では,屋内環境におけるマルチインプット・マルチアウトプット(MIMO)システムから,機械学習を用いて移動物体の分類を解析する。
論文 参考訳（メタデータ） (2021-02-09T15:48:35Z) - Deep Learning based Pedestrian Inertial Navigation: Methods, Dataset and
On-Device Inference [49.88536971774444]
慣性測定ユニット(IMU)は小型で安価でエネルギー効率が良く、スマートデバイスや移動ロボットに広く使われている。
正確で信頼性の高い歩行者ナビゲーションをサポートするために慣性データをエクスプロイトすることは、新しいインターネット・オブ・シングス・アプリケーションやサービスにとって重要なコンポーネントである。
我々は、深層学習に基づく慣性ナビゲーション研究のための最初の公開データセットであるOxIOD(OxIOD)を提示、リリースする。
論文 参考訳（メタデータ） (2020-01-13T04:41:54Z)
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。