基于元学习的低成本空气污染（PM2.5）传感器少样本校准
机器学习
2021-08-03 v1 信号处理
摘要
与参考监测仪相比，低成本颗粒物传感器具有更低的成本和更高的机动性，正在改变空气质量监测方式。这些低成本传感器的校准需要由共同部署的参考监测仪获得的训练数据。基于机器学习的校准比传统技术具有更好的性能，但需要从待校准传感器与参考监测仪共同部署获得的大量训练数据。在这项工作中，我们提出了新颖的迁移学习方法，用于在与参考监测仪最少共同部署的情况下快速校准传感器。迁移学习利用来自其他传感器的大量数据以及来自目标传感器的有限数据。我们广泛的实验发现，所提出的基于模型无关元学习（MAML）的迁移学习方法比其他有竞争力的基线最有效。
引用
@article{arxiv.2108.00640,
title = {Few-shot calibration of low-cost air pollution (PM2.5) sensors using meta-learning},
author = {Kalpit Yadav and Vipul Arora and Sonu Kumar Jha and Mohit Kumar and Sachchida Nand Tripathi},
journal= {arXiv preprint arXiv:2108.00640},
year = {2021}
}
备注
3+1 pages, submitted to IEEE sensors conference 2021