用于传感器分析的联邦多任务分层注意力模型
机器学习
2019-05-14 v1 机器学习
摘要
传感器是现代物联网（IoT）应用不可或缺的组成部分。对这些系统各独立传感器获得的异质多变量时序数据进行分析存在迫切需求。本文特别关注每个传感器可用训练数据稀少的问题。我们提出一种新颖的联邦多任务分层注意力模型（FATHOM），其联合训练来自多个传感器的分类/回归模型。所提模型的注意力机制旨在从输入中提取特征表示，并跨多个传感器学习聚焦于时间维度的共享表示。底层时序与非线性关系通过注意力机制与长短期记忆（LSTM）网络的组合建模。我们发现，在活动识别与环境监测数据集上，所提方法在分类与回归设定中均优于广泛的竞争性基线。我们进一步提供了模型在输入传感器层面与中心时间层面所学特征表示的可视化。
引用
@article{arxiv.1905.05142,
title = {Federated Multi-task Hierarchical Attention Model for Sensor Analytics},
author = {Yujing Chen and Yue Ning and Zheng Chai and Huzefa Rangwala},
journal= {arXiv preprint arXiv:1905.05142},
year = {2019}
}