دسته بندی:

یادگیری ماشین - machine learning

---

سال انتشار:

2020

---

ترجمه فارسی عنوان مقاله:

استفاده کردن از سنسور اشاره گر- زمان برای فعال نمودن فرا -یادگیری چند حالته نظارت نشده

---

عنوان انگلیسی مقاله:

Using Sensory Time-cue to enable Unsupervised Multimodal Meta-learning

---

منبع:

JOURNAL OF LATEX CLASS FILES, VOL: 14, NO: 8, MARCH 2020

---

نویسنده:

Qiong Liu and Yanxia Zhang

---

چکیده انگلیسی:

As data from IoT (Internet of Things) sensors become ubiquitous, state-of-the-art machine learning algorithms face many challenges on directly using sensor data. To overcome these challenges, methods must be designed to learn directly from sensors without manual annotations. This paper introduces Sensory Time-cue for Unsupervised Meta-learning (STUM). Different from traditional learning approaches that either heavily depend on labels or on time-independent feature extraction assumptions, such as Gaussian distribution features, the STUM system uses time relation of inputs to guide the feature space formation within and across modalities. The fact that STUM learns from a variety of small tasks may put this method in the camp of Meta-Learning. Different from existing Meta-Learning approaches, STUM learning tasks are composed within and across multiple modalities based on time-cue co-exist with the IoT streaming data. In an audiovisual learning example, because consecutive visual frames usually comprise the same object, this approach provides a unique way to organize features from the same object together. The same method can also organize visual object features with the object’s spoken-name features together if the spoken name is presented with the object at about the same time. This cross-modality feature organization may further help the organization of visual features that belong to similar objects but acquired at different location and time. Promising results are achieved through evaluations.
Index Terms: Learning from sensors | AIoT | time-cue-guided learning | machine learning paradigms.

---

چکیده فارسی:

همینطور داده به دست امده از IOT ( اینترنت اشیا) سنسور های قرار گرفته در همه جا, بیان آرایش صورت الگوریتم یادگیری ماشین چالش های زیادی در جهت استفاده کردن از داده سنسور دارد.برای فائق آمدن بر این چالش ها , روش هایی باید طراحی شود تا مستقیما از سنسور ها بیاموزد آن هم بدون هیچ گونه تفسیر دستی. این مقاله سنسور اشاره گر–زمانی را برای فرا-آگاهی نظارت نشده (STUM) معرفی می کند. از طریق تفاوت حاصل از رویکرد های یادگیری مبتنی بر خبر که هر دو وابستگی عمیقی به برچسب یا به ریخت و صورت غیر وابسته به زمان استخراج کردن فرضیات را انجام می دهد , همچنین خصوصیات توزیع گوسی ,سیستم STUM از رابطه زمان ورود به دفترچه راهنما ویژگی شکل گیری فضا درون و از طریق شرط استفاده می کند. این حقیقت که STUM از طریق وظایف کوچک متنوعی ممکن است این روش را در جایگاه فرا-یادگیری قرار دهد. از طریق تفاوت موجود در رویکردهای فرا –یادگیری, وظایف یادگیری STUM درون و از طریق شرط های چندگانه بر اساس نشانگر زمان که با جریان داده IOT ترکیب شده است. در یک یادگیری یا یادگیری سمعی بصری به عنوان مثال ارائه داد, زیرا چهارچوب های بصری به صورت پی در پی معمولا شامل شی مشابه است, این رویکرد یک راه واحد برای سازماندهی ریخت ها و ویژگی ها از طریق همان شی با هم تدارک می بیند.روش مشابه نیز می تواند شی بصری را با نام گذاری شی سازماندهی کند آن هم اگر نام بیان شده با شی و در محدوده زمانی مشابه ارائه شده باشد. سازمان دهی ریخت این حالت متقابل ممکن است علاوه بر کمک به سازمان دهی ریخت ها یا ترکیب های بصری که به تنهایی مشابه با اشیا است اما در مکان و زمان متفاوت به دست آمده نیز کمک کند. نتایج امیدبخش از طریق ارزیابی ها به دست آمده اند.
کلمات کلیدی: یادگیری از طریق سنسورها | AIoT | یادگیری با راهنمایی زمانی | پارادایم ها یا الگوهای یادگیری ماشین.

---

---

---

---

حجم فایل: 402 کیلوبایت

---

قیمت: 68250 تومان   

---

توضیحات اضافی:

---

---

---