論文の概要: Multi-Resident Data Association in Smart Homes via MDP Modeling and Behavior Cloning

• arxiv url: http://arxiv.org/abs/2611.06296v1
• Date: Wed, 04 Nov 2026 10:31:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 03:25:58.059652
• Title: Multi-Resident Data Association in Smart Homes via MDP Modeling and Behavior Cloning
• Title（参考訳）: MDPモデリングと行動クローニングによるスマートホームにおけるマルチレジデントデータアソシエーション
• Abstract要約: 既存のアプローチは、静かな住民のために矛盾する協会をしばしば得ることによって、グローバルな一貫性を維持することができません。 本稿では,マルコフ決定プロセス内の逐次的意思決定タスクとしてデータアソシエーションを再構築する新しい枠組みを提案する。 我々のアプローチは、特に同時マルチレジデントイベントの解決において、最先端のベースラインを著しく上回る。
• 参考スコア（独自算出の注目度）: 4.27012094083482
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ambient sensors offer a privacy-preserving solution for activity recognition in smart homes, yet they face a critical challenge in multi-resident environments known as Data Association, which aims to identify the resident triggering a specific anonymous sensor event. Existing approaches fundamentally fail to maintain global consistency by often yielding conflicting associations for silent residents. Additionally, these methods frequently suffer from severe trajectory fragmentation caused by the ontological mismatch of applying continuous physical motion models to discrete logical behaviors. To address these limitations, we propose a novel framework that reformulates data association as a sequential decision-making task within a Markov Decision Process (MDP). We solve the defined MDP via Behavior Cloning (BC) to avoid complex reward engineering by directly learning from expert demonstrations. We instantiate the policy using two complementary architectures, including a lightweight Transformer that treats association as a multi-label classification task over linearized event histories, and a fine-tuned Large Language Model (LLM) that reformulates the problem as conditional text generation to leverage pre-trained semantic knowledge. Extensive evaluations on three diverse datasets demonstrate that our approach significantly outperforms state-of-the-art baselines, particularly in resolving concurrent multi-resident events. Furthermore, the LLM-based policy shows preliminary cross-environment transfer potential under benchmark settings, while its robustness in real deployments still requires further validation.
• Abstract（参考訳）: アンビエントセンサーは、スマートホームにおけるアクティビティ認識のためのプライバシ保護ソリューションを提供するが、データアソシエーション(Data Association)として知られるマルチレジデント環境において、特定の匿名センサーイベントをトリガーする居住者を特定することを目的とした、重要な課題に直面している。 既存のアプローチは、静かな住民のために矛盾する協会をしばしば得ることによって、基本的にグローバルな一貫性を維持するのに失敗する。 さらに、これらの手法は、離散的な論理的振る舞いに連続的な物理運動モデルを適用するというオントロジ的ミスマッチによって引き起こされる、激しい軌道の断片化にしばしば悩まされる。 これらの制約に対処するため、マルコフ決定プロセス(MDP)内の逐次決定タスクとしてデータアソシエーションを再構成する新しい枠組みを提案する。 我々は、専門家によるデモンストレーションから直接学習することで、複雑な報酬工学を避けるために、ビヘイビア・クローン(BC)によって定義されたMDPを解決する。 本稿では,関係を線形化イベント履歴よりも多ラベル分類タスクとして扱う軽量トランスフォーマーと,条件付きテキスト生成として問題を再構成して事前学習した意味知識を活用する微調整大言語モデル(LLM)という2つの補完的アーキテクチャを用いてポリシーをインスタンス化する。 3つの多様なデータセットに対する広範囲な評価は、我々のアプローチが最先端のベースライン、特に同時マルチレジデントイベントの解決において著しく優れていることを示している。 さらに、LCMベースのポリシでは、ベンチマーク設定下での事前環境移行の可能性を示す一方で、実際のデプロイメントにおける堅牢性には、さらなる検証が必要である。

関連論文リスト

• CLAIM: Leading Open-domain Active Clarification of Large Language Models with Uncertainty Measurement [50.91045324738942]
  CLAIMは、オープンドメイン環境でのアクティブな明確化学習のための不確実性駆動フレームワークである。 本研究では,不確実性推定とセマンティッククラスタリングと推論に基づく判断を統合したエントロピー駆動型合成データ生成パイプラインを提案する。 実験の結果,手動でラベル付けしたデータに頼ることなく,CLAIMが安定かつ一般化可能な明確化戦略を学習できることが確認された。
  論文  参考訳（メタデータ） (2026-08-12T04:27:45Z)
• FedMPT: Federated Multi-label Prompt Tuning of Vision-Language Models [18.146491036053124]
  VLM(Vision-Language Models)に基づくマルチラベル認識(MLR)は、トレーニング済みの知識を活用して複雑な認識シナリオに適応することを目的としている。 フェデレートされた学習を必要とする現実的な分散アプリケーションでは、プライベートデータとヘテロジニアスデータを持つ各クライアントにVLMを適用すると、モデルが急激なラベル相関に過度に適合する可能性がある。 我々は、フェデレーションMLR用に設計された最初の方法であるFedMPTを提案する。
  論文  参考訳（メタデータ） (2026-05-27T11:51:25Z)
• Revitalizing the Beginning: Avoiding Storage Dependency for Model Merging in Continual Learning [57.10440766103372]
  Trajectory Regularized Merging (TRM) は、拡張されたトラジェクトリ部分空間内の最適化プロセスとしてマージフェーズを再構成するフレームワークである。 本フレームワークは,タスクアライメント,予測整合性,勾配応答性といった3つの相乗的目標を統合し,統合モデルの履歴安定性と再活性化最適化のダイナミクスを同時に保存する。
  論文  参考訳（メタデータ） (2026-05-08T14:07:32Z)
• From Sparse Decisions to Dense Reasoning: A Multi-attribute Trajectory Paradigm for Multimodal Moderation [59.27094165576015]
  疎度な意思決定から高密度な推論トレースへ移行する新しい学習パラダイム(UniMod)を提案する。 モノリシックな意思決定タスクを多次元境界学習プロセスに再構成し,エビデンス,モダリティ評価,リスクマッピング,政策決定,応答生成を含む構造化軌道を構築する。 タスク固有のパラメータを分離し、トレーニングダイナミクスを再バランスさせ、マルチタスク学習における多様な目的間の干渉を効果的に解消する、特別な最適化戦略を導入する。
  論文  参考訳（メタデータ） (2026-01-28T09:29:40Z)
• Learning Robust Penetration-Testing Policies under Partial Observability: A systematic evaluation [0.28675177318965045]
  セキュリティ脆弱性を特定するためのサイバー攻撃のシミュレーションである侵入テストは、シーケンシャルな意思決定の問題を提示している。 部分可観測性はマルコフ決定過程に存在するマルコフ特性を無効にする。 実世界の複雑性をよりよく反映することを目的として,異なる大きさのホストネットワーク上での部分的に観測可能な浸透試験シナリオについて検討した。
  論文  参考訳（メタデータ） (2025-09-24T11:27:54Z)
• On Multi-entity, Multivariate Quickest Change Point Detection [2.0369245689839817]
  変更点検出(CPD)は、従来のセンシング手法が実現不可能なクラウドモニタリングのアプリケーションによって動機付けられている。 本稿では,正常度からの個人偏差(IDfN)の概念を紹介し,正常度を訓練した再構成エラーベースのオートエンコーダを用いて計算する。 平均値、分散値、カーネル密度推定値(KDE)を用いてこれらの個々の偏差を集約し、システムワイド異常スコア(SWAS)を生成する。 我々の教師なしアプローチはラベル付きデータや特徴抽出の必要性を排除し、ストリーミング入力のリアルタイム操作を可能にします。
  論文  参考訳（メタデータ） (2025-09-22T18:35:24Z)
• Decision Mamba: A Multi-Grained State Space Model with Self-Evolution Regularization for Offline RL [57.202733701029594]
  本稿では,自己進化型政策学習戦略を持つ新しい多粒状態空間モデル(SSM)であるDecision Mambaを提案する。 これらの課題に対処するため、我々は自己進化型政策学習戦略を持つ新しい多粒状態空間モデル(SSM)であるDecision Mambaを提案する。 雑音性軌道上における過度に適合する問題を緩和するために,進行正則化を用いて自己進化政策を提案する。
  論文  参考訳（メタデータ） (2024-06-08T10:12:00Z)
• Invariant Causal Prediction for Block MDPs [106.63346115341862]
  環境全体にわたる一般化は、実世界の課題への強化学習アルゴリズムの適用の成功に不可欠である。 本稿では,多環境環境における新しい観測を一般化するモデル不適合状態抽象化(MISA)を学習するための不変予測法を提案する。
  論文  参考訳（メタデータ） (2020-03-12T21:03:01Z)

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。