Core Concepts
スマートフォンを活用した分散型室温測定システムを提案し、効率的な自動ラベル生成手法と少量データでの高精度モデル構築手法を実現する。
Abstract
本研究では、スマートフォンを活用した分散型室温測定システムを提案している。主な特徴は以下の通りである:
複数のスマートフォンが協調して室温を測定し、クラウドソーシングを活用して高精度な室温推定を実現する。
新規参加者のためのデータラベリングを自動化し、コストを大幅に削減する。
メタラーニングとフェw-ショット学習を組み合わせることで、少量のデータでも高精度な推定モデルを構築できる。
フェデレーテッドラーニングを導入し、ユーザプライバシーを保護する。
具体的な手順は以下の通り:
室温推定モデルは、スマートフォンの各種センサデータを入力とし、期待値と不確実性を出力する。
クラウドソーシングを活用し、CBTS手法により複数の推定結果を統合して高精度な室温を推定する。
新規参加者のデータに対して、CBTS手法を用いて自動的にラベルを生成する。
メタラーニングとフェw-ショット学習を組み合わせることで、少量のデータでも高精度な推定モデルを構築できる。
フェデレーテッドラーニングを導入し、ユーザプライバシーを保護する。
本システムの導入により、建物の省エネルギー化や個人の快適性向上などの応用が期待できる。
Stats
室温の推定誤差は平均0.276度Cであり、クラウドソーシングを活用することで誤差を約50%削減できる。
新規参加者のデータに対する自動ラベル生成の誤差は平均0.161度Cと非常に小さい。
メタラーニングとフェw-ショット学習を組み合わせることで、わずか5件のデータでも1度C以内の高精度な推定が可能となる。
Quotes
"スマートフォンを活用した分散型室温測定システムを提案し、効率的な自動ラベル生成手法と少量データでの高精度モデル構築手法を実現する。"
"クラウドソーシングを活用し、CBTS手法により複数の推定結果を統合して高精度な室温を推定する。"
"メタラーニングとフェw-ショット学習を組み合わせることで、わずか5件のデータでも1度C以内の高精度な推定が可能となる。"