SenDaL：面向日常生活的低成本传感器有效高效校准框架
机器学习
2025-02-18 v1
摘要
准确且无噪声数据的采集是物联网（IoT）控制环境中的关键环节。然而，日常生活中各类传感器采集的数据往往存在不准确的问题。此外，配备低成本传感器的IoT控制设备缺乏足够的硬件资源来部署传统深度学习模型。为克服这一局限，我们提出了SenDaL（sensors for daily life），首个利用神经网络校准低成本传感器的框架。SenDaL引入了新颖的训练和推理流程，使其在保持与线性模型相当的延迟和能耗的同时，达到与深度学习模型相当的精度。SenDaL首先采用自底向上的方式进行训练，基于线性模型和深度学习模型的校准结果做出决策。一旦两个模型训练完成，SenDaL通过自顶向下的推理过程做出独立决策，确保精度和推理速度。此外，SenDaL可以根据IoT设备的资源选择最优的深度学习模型，因为它兼容多种深度学习模型，如基于长短期记忆（LSTM）和基于Transformer的模型。我们通过在不同IoT环境和真实生活场景中的实验验证了SenDaL在精度、延迟和能效方面优于现有深度学习模型。
引用
@article{arxiv.2502.10460,
title = {SenDaL: An Effective and Efficient Calibration Framework of Low-Cost Sensors for Daily Life},
author = {Seokho Ahn and Hyungjin Kim and Euijong Lee and Young-Duk Seo},
journal= {arXiv preprint arXiv:2502.10460},
year = {2025}
}
备注
Accepted by IEEE IoTJ