SudokuSens：利用生成方法增强物联网感知应用中深度学习的鲁棒性
摘要
本文介绍了 SudokuSens，这是一种用于在基于机器学习的物联网应用中自动生成训练数据的生成框架，使得生成的合成数据能够模拟在实际传感器数据收集期间未遇到的实验配置。该框架提高了所得深度学习模型的鲁棒性，旨在用于数据收集成本高昂的物联网应用。这项工作的动机在于，物联网时间序列数据将观测对象的特征与周围环境的混杂内在属性及所经历的动态环境扰动纠缠在一起。因此，为了将足够的多样性纳入物联网训练数据，需要考虑训练案例的组合爆炸，这些案例在所考虑的对象数量以及可能遇到此类对象的环境条件上是乘性的。我们的框架大幅减少了这些乘性训练需求。为了将对象特征与环境条件解耦，我们采用了条件变分自编码器（CVAE），使我们能够将数据收集需求从乘性减少到（近似的）线性，同时合成生成缺失条件的数据。为了获得对动态扰动的鲁棒性，采用了会话感知的时间对比学习方法。整合上述两种方法，SudokuSens 显著提高了物联网应用中深度学习的鲁棒性。我们探讨了 SudokuSens 在不同数据集中对下游推理任务的受益程度，并讨论了该方法特别有效的条件。
引用
@article{arxiv.2402.02275,
title = {SudokuSens: Enhancing Deep Learning Robustness for IoT Sensing Applications using a Generative Approach},
author = {Tianshi Wang and Jinyang Li and Ruijie Wang and Denizhan Kara and Shengzhong Liu and Davis Wertheimer and Antoni Viros-i-Martin and Raghu Ganti and Mudhakar Srivatsa and Tarek Abdelzaher},
journal= {arXiv preprint arXiv:2402.02275},
year = {2024}
}
备注
Published in ACM Conference on Embedded Networked Sensor Systems (SenSys 23), November, 2023, Istanbul, Turkiye. This is the author's version of the work. It is posted here for your personal use. Not for redistribution. Publication rights licensed to the Association for Computing Machinery