元分解：面向物联网基于活动识别的动态分段方法选择
人工智能
2024-04-19 v1
摘要
物联网（IoT）设备会生成随时间变化的异构数据；仅依赖单个数据点进行分析在准确性方面是不够的。分段是许多物联网应用中常见的预处理步骤，包括物联网基于活动识别，旨在解决单个事件的局限性并简化流程。然而，这一步骤引入了至少两类不可控偏见。第一类偏见由分段过程对初始问题空间的修改引起，例如将输入数据划分为 60 秒窗口。第二类偏见源于分段过程本身，包括对分段方法及其参数的固定化。为解决这些偏见，我们提出将分段问题重新定义为分解问题的一个特殊案例，其中包括三个关键组成部分：分解器、分辨率和组合器。分解过程中的组合器任务促进了原始问题与分段后问题之间的关系评估。因此，这导致评估过程的改进，从而导致合适分段方法的选择。随后，我们正式引入我们新的元分解或学习分解方法。它通过将分段视为由外部学习问题优化的超参数来减少分段偏见。因此，元分解通过在不包含上述偏见的情况下动态选择合适的分段方法，提高了整个系统的性能。在四个真实数据集上的大量实验表明，我们的提议有效。
引用
@article{arxiv.2404.11742,
title = {Meta-Decomposition: Dynamic Segmentation Approach Selection in IoT-based Activity Recognition},
author = {Seyed M. R. Modaresi and Aomar Osmani and Mohammadreza Razzazi and Abdelghani Chibani},
journal= {arXiv preprint arXiv:2404.11742},
year = {2024}
}