論文の概要: Deep Attention-based Sequential Ensemble Learning for BLE-Based Indoor Localization in Care Facilities

• arxiv url: http://arxiv.org/abs/2603.21030v1
• Date: Sun, 22 Mar 2026 02:55:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.198346
• Title: Deep Attention-based Sequential Ensemble Learning for BLE-Based Indoor Localization in Care Facilities
• Title（参考訳）: 介護施設におけるBLEに基づく屋内配置のための深い注意に基づくシーケンス・アンサンブル学習
• Authors: Minh Triet Pham, Quynh Chi Dang, Le Nhat Tan,
• Abstract要約: 本稿では,屋内の局所化を逐次学習問題として再認識する新しいフレームワークである,Deep Attention-based Sequential Ensemble Learning (DASEL)を紹介する。 DASELは、4倍の時間的クロスバリデーションを用いて、ケア施設からの実世界データに基づいて、マクロF1スコアの0.4438を達成し、従来のベースラインよりも53.1%改善した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Indoor localization systems in care facilities enable optimization of staff allocation, workload management, and quality of care delivery. Traditional machine learning approaches to Bluetooth Low Energy (BLE)-based localization treat each temporal measurement as an independent observation, fundamentally limiting their performance. To address this limitation, this paper introduces Deep Attention-based Sequential Ensemble Learning (DASEL), a novel framework that reconceptualizes indoor localization as a sequential learning problem. The framework integrates frequency-based feature engineering, bidirectional GRU networks with attention mechanisms, multi-directional sliding windows, and confidence-weighted temporal smoothing to capture human movement trajectories. Evaluated on real-world data from a care facility using 4-fold temporal cross-validation, DASEL achieves a macro F1 score of 0.4438, representing a 53.1% improvement over the best traditional baseline (0.2898).
• Abstract（参考訳）: 介護施設における屋内ローカライゼーションシステムにより、スタッフ割り当て、作業負荷管理、ケアデリバリーの質の最適化が可能となる。 Bluetooth Low Energy(BLE)ベースの従来の機械学習アプローチは、各時間計測を独立した観測として扱い、その性能を根本的に制限する。 この制限に対処するために,室内の局所化を逐次学習問題として再認識する新しい枠組みである,Deep Attention-based Sequential Ensemble Learning (DASEL)を提案する。 このフレームワークは、周波数ベースの特徴工学、アテンション機構を備えた双方向GRUネットワーク、多方向スライディングウインドウ、信頼度重み付き時間平滑化を統合し、人間の運動軌跡を捉える。 DASELは、4倍の時間的クロスバリデーションを用いて、ケア施設からの実世界データに基づいて、マクロF1スコアの0.4438を達成し、最高の伝統的なベースライン(0.2898)よりも53.1%改善した。

関連論文リスト

• Continual Learning for Adaptive AI Systems [0.0]
  クラスタ・アウェア・リプレイ(Cluster-Aware Replay, CAR)は、クラスバランスの小さなリプレイバッファと正規化用語を統合するハイブリッド連続学習フレームワークである。 CARは、微調整単独よりも初期のタスクパフォーマンスを保ちます。
  論文  参考訳（メタデータ） (2025-10-09T00:44:32Z)
• Cross-Attention with Confidence Weighting for Multi-Channel Audio Alignment [5.380078543698624]
  マルチチャンネルオーディオアライメントは、生体音響モニタリング、空間オーディオシステム、音響ローカライゼーションにおいて重要な要件である。 マルチチャンネル音声同期を改善するために,クロスアテンション機構と信頼度重み付けスコアリングを組み合わせた手法を提案する。 提案手法は,BioDCASE 2025 Task 1 チャレンジにおいて,ディープラーニングベースラインの 0.58 に対して,テストデータセットの平均 0.30 MSE で1位となった。
  論文  参考訳（メタデータ） (2025-09-21T05:14:06Z)
• Accelerating Privacy-Preserving Federated Learning in Large-Scale LEO Satellite Systems [57.692181589325116]
  大規模な低地球軌道(LEO)衛星システムは、高速かつ広範囲のデータ交換を可能にする能力によって、ますます価値が高まっている。 プライバシー上の懸念と規制上の制約のため、リモートクライアントで収集された生データを集中的に集約することはできない。 フェデレーション学習は、分散デバイス上でローカルモデルをトレーニングし、モデルパラメータのみを交換することで、プライバシ保護の代替手段を提供する。 本稿では,コミュニケーションリソースを動的に割り当て,フェデレート学習を高速化する,離散時間グラフに基づくオンデマンドスケジューリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-05T03:33:42Z)
• Few-Shot Class-Incremental Learning For Efficient SAR Automatic Target Recognition [13.783950035836593]
  本稿では,局所的特徴抽出に着目したデュアルブランチアーキテクチャに基づくFSCILフレームワークを提案する。 これにより、ドメイン固有の機能をグローバルな依存関係と融合して、堅牢な機能インタラクションを保証する、軽量なクロスアテンションメカニズムが組み込まれている。 MSTARベンチマークデータセットの実験結果から,提案フレームワークはFSCIL SAR-ATRの最先端手法を一貫して上回っていることが示された。
  論文  参考訳（メタデータ） (2025-05-26T06:25:30Z)
• FedCCL: Federated Clustered Continual Learning Framework for Privacy-focused Energy Forecasting [0.0]
  FedCCLは静的な組織特性を持つが、動的クライアント可用性を持つ環境向けに特別に設計されたフレームワークである。 提案手法では,3層モデルトポロジを用いた非同期フェデレート学習プロトコルを実装している。 我々は,FedCCLが分散学習のプライバシ保存に有効なフレームワークを提供し,動的参加者数であっても高い精度と適応性を維持していることを示す。
  論文  参考訳（メタデータ） (2025-04-28T21:51:27Z)
• An Adaptive Framework for Generalizing Network Traffic Prediction towards Uncertain Environments [51.99765487172328]
  我々は,モバイルネットワークトラフィック予測モデルを動的に割り当てるための時系列解析を用いた新しいフレームワークを開発した。 我々のフレームワークは学習した振る舞いを採用しており、現在の研究と比較して50%以上の改善が得られ、どのモデルよりも優れています。
  論文  参考訳（メタデータ） (2023-11-30T18:58:38Z)
• Self-Supervised Multi-Object Tracking For Autonomous Driving From Consistency Across Timescales [53.55369862746357]
  自己管理型マルチオブジェクトトラッカーは、生のドメイン固有データから学習できるという大きな可能性を秘めている。 しかし、その再識別精度は、監督対象よりも低い。 本稿では,複数の連続フレームから再同定特徴を自己教師付きで学習できる学習目標を提案する。
  論文  参考訳（メタデータ） (2023-04-25T20:47:29Z)
• Self-Supervised Representation Learning from Temporal Ordering of Automated Driving Sequences [49.91741677556553]
  本研究では、認識タスクのための地域レベルの特徴表現を事前学習するための時間順述前文タスクであるTempOを提案する。 我々は各フレームを、オブジェクト検出やトラッキングシステムにとって自然な表現である、未順序な特徴ベクトルのセットで埋め込む。 BDD100K、nu Images、MOT17データセットの大規模な評価は、私たちのTempO事前学習アプローチがシングルフレームの自己教師型学習方法よりも優れていることを示している。
  論文  参考訳（メタデータ） (2023-02-17T18:18:27Z)
• An automatic differentiation system for the age of differential privacy [65.35244647521989]
  Tritiumは、微分プライベート(DP)機械学習(ML)のための自動微分ベース感度分析フレームワークである 我々は、微分プライベート(DP)機械学習(ML)のための自動微分に基づく感度分析フレームワークTritiumを紹介する。
  論文  参考訳（メタデータ） (2021-09-22T08:07:42Z)
• Imitation Learning for Robust and Safe Real-time Motion Planning: A Contraction Theory Approach [9.35511513240868]
  LAG-ROSは、境界外乱によって乱される安全臨界非線形システムのリアルタイムロバストな動作計画アルゴリズムである。 LAG-ROSはリアルタイム計算のためのより速い実行の速度のより高い制御性能そしてタスクの成功率を達成します。
  論文  参考訳（メタデータ） (2021-02-25T03:47:15Z)

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。