利用图自编码器实现异构传感器网络间的机器学习迁移
机器学习
2019-12-13 v1 机器学习
摘要
机器学习（ML）已被用于实现诸多生活辅助应用，例如独居老人的异常检测与紧急求助。然而在大多数情况下，机器学习算法依赖于目标物联网（IoT）传感器网络的布局。因此，要在异构传感器网络（HSN，即具有不同传感器类型或布局的传感器网络）间部署同一应用，需重复数据收集与 ML 算法训练过程。本文引入一种利用图深度学习的新型框架，使同一活动识别系统可用于部署于不同智能家中的 HSN。借助我们的框架，能够将源 HSN 上以活动标签训练的活动分类器迁移至目标 HSN，在目标 HSN 上无需使用目标活动标签即达到约 75% 的基线准确率。此外，我们的模型可快速适应未见过的传感器布局，这使其非常适于基于 ML 的真实应用的逐步部署。我们还展示了框架对 HSN 的次优图表示具有鲁棒性。
引用
@article{arxiv.1912.05879,
title = {Enabling Machine Learning Across Heterogeneous Sensor Networks with Graph Autoencoders},
author = {Johan Medrano and Fuchun Joseph Lin},
journal= {arXiv preprint arXiv:1912.05879},
year = {2019}
}