面向潜在上下文检测的个性化动态代价感知感知
机器学习
2019-03-14 v1 计算机与社会
摘要
在过去十年中，移动设备的使用已远远超出通话和短信等简单活动。如今，智能手机包含多种嵌入式传感器，能够收集有关用户的实用感知数据并推断用户的上下文。感知越频繁，上下文越准确。然而，连续感知会导致巨大的能量消耗，缩短电池寿命。我们提出了一种在执行连续潜在上下文检测时进行代价感知感知的新方法。所提方法基于三个因素动态确定用户的传感器采样策略：(1)用户最后已知上下文；(2)使用KL散度预测的信息损失；(3)传感器采样代价。目标函数旨在最小化采样代价与信息损失。该方法基于多种机器学习技术，包括用于潜在上下文检测的自编码器神经网络、用于信息损失预测的线性回归以及用于确定最优采样策略的凸优化。为评估所提方法，我们在以高频率记录的真实世界数据上执行了一系列测试；数据来自二十名用户在一周时间内六类手机传感器。结果表明，通过应用动态采样策略，我们的方法自然平衡了信息损失与能量消耗，并优于静态方法。
引用
@article{arxiv.1903.05376,
title = {Personal Dynamic Cost-Aware Sensing for Latent Context Detection},
author = {Saar Tal and Bracha Shapira and Lior Rokach},
journal= {arXiv preprint arXiv:1903.05376},
year = {2019}
}