کمّی‌سازی عدم قطعیت برای بهبود شناسایی کاربر مبتنی بر تلفیق احتمالاتی با استفاده از تلفن‌های هوشمند
کمّی‌سازی عدم قطعیت برای بهبود شناسایی کاربر مبتنی بر تلفیق احتمالاتی با استفاده از تلفن‌های هوشمند
نوشتهٔ
R Ahmadian, M Ghatee, J Wahlström, H Zare
برای انتشار در نشریهٔ «IEEE Internet of Things Journal» پذیرفته شده است.
چکیده:
شناسایی کاربر از طریق تلفن‌های هوشمند و حسگرهای پوشیدنی امیدبخش است، اما با چالش‌های ناشی از تغییرپذیری فعالیت‌های کاربران و پنجره‌های نمونه‌برداری روبه‌روست. این مقاله روشی ارائه می‌کند که برای بهبود عملکرد شناسایی کاربر، عدم قطعیت‌ها را در نظر می‌گیرد. روش متداول پنجرهٔ لغزان برای بخش‌بندی داده‌ها به‌طور گسترده استفاده می‌شود، اما پنجره‌های کوچک می‌توانند با ایجاد نمونه‌های مشابه با برچسب‌های متفاوت، عملکرد طبقه‌بندی را کاهش دهند. در مقابل، پنجره‌های بزرگ‌تر بر اثر ترکیب الگوهای فعالیت، رانش مفهوم ایجاد می‌کنند. برای رفع این چالش‌ها، روش پیشنهادی با استفاده از تکنیک Dropout مونت‌کارلو، عدم قطعیت پیش‌بینیِ یک طبقه‌بندی‌کنندهٔ CNN آموزش‌دیده با پنجره‌های کوچک را ارزیابی می‌کند و پیش‌بینی‌ها را در یک پنجرهٔ تصمیم تلفیق می‌کند. امتیازهای عدم قطعیت کمک می‌کنند تا در تصمیم‌گیری نهایی، وزن پیش‌بینی‌های نامطمئن کاهش یابد. این پژوهش با آزمایش روی پنج مجموعه‌دادهٔ واقعی، بهبود عملکرد شناسایی کاربران در طیفی از فعالیت‌ها را نسبت به روش‌های موجود نشان می‌دهد. همچنین این روش با استفاده از دو مجموعه‌دادهٔ شناخته‌شده، مستقیماً با پیشرفته‌ترین روش‌های موجود مقایسه شد و دقت در یک مورد 1.29% و در مورد دیگر 7.98% افزایش یافت. این یافته‌ها اثربخشی رویکرد تازه را برای شناسایی پیوستهٔ کاربر، حتی در مواجهه با رفتار پیش‌بینی‌ناپذیر او، تأیید می‌کنند.
مرجع: https://ieeexplore.ieee.org/abstract/document/10599325