Mobile Sensor Data Anonymization
Queen Mary University of London(伦敦玛丽女王大学);Imperial College London(帝国理工学院)
诸如加速度计和陀螺仪之类的运动传感器以三维方式测量设备的瞬时加速度和旋转。来自嵌入在便携式和可穿戴设备中的运动传感器的原始数据流可能会在用户不知情的情况下泄露有关用户的私人信息。例如,运动数据可能会披露用户的体重或性别,或使他们能够重新识别。为了解决这个问题,我们提出了一种设备上的传感器数据转换,以共享特定的应用程序,如监控选定的日常活动,而不透露信息,使用户识别。我们使用信息论方法来制定匿名化问题,并提出了一个新的多目标损失函数来训练深度自动编码器。这个损失函数有助于最小化用户身份信息和数据失真,以保留特定于应用程序的实用程序。训练过程调节编码器以忽略用户可识别的模式,并调谐解码器以独立于训练集中的用户来塑造输出。经过训练的自动编码器可以部署在移动设备或可穿戴设备上,以匿名化传感器数据,即使对于未包括在训练数据集中的用户也是如此。通过拟议的匿名自动编码器转换的24名用户的数据在实用性和隐私之间实现了良好的权衡,活动识别的准确性高于92%,用户识别的准确性低于7%。
2019-02-18 cs.LG stat.ML
Likelihood-based Sensor Calibration using Affine Transformation
Trier University of Applied Sciences(特里尔应用科学大学);Polytechnique Montréal(蒙特利尔综合理工学院);Trier University(特里尔大学)
本文提出一种基于专家知识估计仿射变换的似然传感器校准方法,并在仿真和8个相同传感器的真实数据上验证了其改进效果。
2024-01-10 cs.AI cs.LG
Sensor Transformation Attention Networks
Institute of Neuroinformatics(神经信息学研究所);University of Zurich(苏黎世大学);ETH Zurich(苏黎世联邦理工学院)
最近关于序列到序列映射的编码器-解码器模型的研究表明,将时间和空间注意力机制集成到神经网络中可以大大提高系统的性能。在这项工作中,我们报告的注意力信号的应用程序上的时间和空间区域的输入,而是作为一种方法之间的切换输入本身。我们评估了在传感器中存在动态噪声的情况下注意力切换的特殊作用,并展示了注意力信号如何动态响应环境中不断变化的噪声水平,以在三个常用的数据集TIDIGITS,华尔街日报和GRID中实现音频和视觉任务的性能提高。此外,所提出的传感器转换网络架构自然引入了许多值得探索的优点,包括易于向现有架构添加新传感器,注意力可解释性以及在训练期间看不到的各种噪声环境中的鲁棒性。最后,我们证明了仅在小TIDIGITS数据集上训练的模型的传感器选择注意力机制可以直接转移到在华尔街日报数据集上训练的预先存在的更大的网络,保持传感器之间的切换功能,以在存在噪声的情况下大幅减少错误。
2017-08-03 cs.CV cs.LG
Privacy and Utility Preserving Sensor-Data Transformations
Queen Mary University of London(伦敦玛丽女王大学);Imperial College London(帝国理工学院)
当来自可穿戴或便携式设备的原始传感器数据与云辅助应用程序共享时,敏感的推断和用户重新识别是对隐私的主要威胁。为了减轻这些威胁,我们提出了在与用户设备上运行的应用程序共享之前转换传感器数据的机制。这些转换旨在消除可用于用户重新识别或推断潜在敏感活动的模式,同时为目标应用程序(或任务)引入较小的实用程序损失。我们表明,在手势和活动识别任务中,我们可以防止潜在敏感活动的推断,同时保持非敏感活动的识别准确性降低到不到5个百分点。我们还表明,我们可以减少用户重新识别的准确性和潜在的性别推断的水平的随机猜测,同时保持活动识别的准确性与原始数据上获得的。
2019-11-14 cs.HC cs.LG eess.SP
Correcting Sensor-Induced Distribution Drift with Wasserstein Adversarial Learning
Laboratory of Methods for Big Data Analysis, HSE University(大数据分析方法实验室,高等经济大学)
提出WGAN方法,通过可学习的校准变换将变化检测器响应分布映射回参考分布,在探测器模型和模拟量能器数据上验证了恢复老化系数和改善能量分布一致性的能力。
2026-06-18 cs.AI cs.LG
Cross-Sensor Adversarial Domain Adaptation of Landsat-8 and Proba-V images for Cloud Detection
本文提出了一种跨传感器对抗域适应方法,通过减少Landsat-8和Proba-V图像间的统计差异,提升云检测模型的性能。
2020-06-10 cs.LG eess.IV
COMMIT: Certifying Robustness of Multi-Sensor Fusion Systems against Semantic Attacks
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Tsinghua University(清华大学)
本文提出首个面向多传感器融合系统语义攻击的鲁棒性认证框架 COMMIT,通过各向异性随机平滑、网格分割和高效认证算法,在 CARLA 上验证其相较单模态模型最高可提升 48.39%。
2024-03-04 cs.CR cs.CV cs.LG
Data Sensor Fusion In Digital Twin Technology For Enhanced Capabilities In A Home Environment
本文研究新冠疫情背景下家庭环境中数字孪生技术的数据传感器融合集成,用Wit Motion传感器采集活动数据,结合多领域技术,比较多种融合方法与机器学习模型,结果显示融合显著提升模型准确性与可靠性,建立稳健系统。
2025-02-13 cs.AI cs.LG eess.SP
Self-Supervised Anomaly Detection of Rogue Soil Moisture Sensors
KU Leuven(鲁汶大学);University of Southampton(南安普顿大学)
针对农业物联网中恶意土壤水分传感器检测问题,提出基于对比损失神经网络与DBSCAN的自监督方法,创新地在三元组损失负采样中引入动态时间规整,在梨园数据集上表现良好。
2023-05-09 cs.LG
A Novel Multi-Stage Training Approach for Human Activity Recognition from Multimodal Wearable Sensor Data Using Deep Neural Network
BUET(孟加拉国工程技术大学);Princeton University(普林斯顿大学)
深度神经网络是利用各种可穿戴传感器的数据自动识别人类行为的有效选择。这些网络使完全依赖数据的特征提取过程自动化。然而,时间序列数据中的各种噪声以及传感器之间复杂的模态间关系使这一过程变得更加复杂。在本文中,我们提出了一种新的多阶段训练方法,增加了多样性,在这个特征提取过程中,通过结合各种不同的角度提取的特征,使准确的动作识别。最初,不是使用单一类型的变换,而是对时间序列数据进行大量变换,以获得原始数据中编码的特征的多样化表示。提出了一种高效的深度CNN架构,可以单独训练该架构以从不同的变换空间中提取特征。随后,这些CNN特征提取器被合并到最优架构中,该最优架构被精细地调整以用于通过组合训练阶段或多个顺序训练阶段来优化多样化的提取特征。这种方法提供了一个机会,探索原始传感器数据中的编码功能,利用各种各样的观察窗口,具有巨大的范围,有效地选择功能,最终收敛。在三个公开的数据集上进行了广泛的实验,这些数据集提供了出色的性能,UCI HAR数据库的平均五倍交叉验证准确率为99.29%,USC HAR数据库为99.02%,SKODA数据库为97.21%,优于其他最先进的方法。
2021-01-03 cs.LG eess.SP
Image Transformation for IoT Time-Series Data: A Review
Konya Food and Agriculture University(科尼亚食品与农业大学);Gazi University(加齐大学);Hacettepe University(哈杰泰佩大学)
本文综述了将物联网时间序列数据转换为图像以提升深度学习性能的研究,按编码技术、数据类型和应用领域分类,并讨论挑战与未来方向。
2023-11-21 cs.AI cs.LG cs.NI
Description of Structural Biases and Associated Data in Sensor-Rich Environments
LIPN-UMR CNRS 7030, Univ. Sorbonne Paris Nord(巴黎第十三大学索邦巴黎北联合大学LIPN-UMR CNRS 7030实验室)
在这篇文章中,我们研究了在传感器丰富的环境中的活动识别。我们解决,特别是,归纳偏见的问题及其对数据汇集过程的影响。为了有效和稳健,活动识别系统必须在各个层面考虑这些偏差,并将其建模为可以控制的超参数。无论是与传感器测量、传输协议、传感器部署拓扑、异质性、动态性或随机效应相关的偏差,重要的是要了解它们对活动识别模型质量的实质性影响。这项研究强调了需要将现实情况中出现的不同类型的偏见分开,以便机器学习模型,例如,适应这些环境的动态性,抵抗传感器故障,并遵循传感器拓扑的演变。我们提出了一个元建模过程中,传感器数据的结构层。较低的层编码与数据的转换、传输和拓扑相关的各种偏差。上层编码与数据本身相关的偏差。这样,就可以更轻松地对超参数进行建模,并跟踪数据采集基础设施中的变化。我们说明了我们的方法SHL数据集,它提供了运动传感器数据的人类活动在真实条件下收集的列表。暴露的权衡和更广泛的影响,我们的方法进行了讨论与替代技术编码和将知识纳入活动识别模型。
2021-04-11 cs.LG eess.SP
SensiX++: Bringing MLOPs and Multi-tenant Model Serving to Sensory Edge Devices
Nokia Bell Labs(诺基亚贝尔实验室)
我们提出了SensiX++ -一个多租户运行时,用于在边缘设备上集成MLOp的自适应模型执行,例如,摄像头、麦克风或物联网传感器。SensiX++基于两个基本原则运行-高度模块化的组件化,以清晰的抽象和以文档为中心的表现形式将数据操作外部化,以实现系统范围的编排。首先,数据协调器管理传感器的生命周期,并通过自动转换为模型提供正确的数据。接下来,资源感知模型服务器通过模型抽象、流水线自动化和特征共享来隔离地执行多个模型。然后,自适应调度器协调跨异构加速器的多个模型的最佳执行,平衡延迟和吞吐量。最后,带有REST API的微服务提供综合模型预测、系统统计和持续部署。总的来说,这些组件使SensiX++能够通过对边缘设备的细粒度控制有效地服务于多个模型,同时最大限度地减少数据操作冗余,管理数据和设备异构性,减少资源争用并消除手动MLOp。我们在为传感设备设计的不同边缘加速器(Jetson AGX和Coral TPU)上,使用十种不同的视觉和声学模型对SensiX++进行了基准测试。我们报告了SensiX++各种自动化组件的整体吞吐量和量化优势,并展示了其显著降低运营复杂性的功效,并降低了在边缘设备上部署、升级、重新配置和服务嵌入式模型的工作量。
2021-09-08 cs.LG
Group-based Learning of Disentangled Representations with Generalizability for Novel Contents
ATR International(ATR国际研究所)
感官数据通常由独立的内容和转换因子组成。例如,面部图像可以具有作为内容的形状和作为变换的姿势。为了从给定的数据中分别推断出这些因素,人们提出了各种"解开“模型。然而,其中许多是监督或半监督的,要么需要通常不可用的属性标签,要么不允许对新内容进行泛化。在这项研究中,我们引入了一种新的深度生成模型,称为基于组的变分自编码器。在这一点上,我们假设没有明确的标签,而是一种较弱的结构形式,将具有相同内容但不同变换的数据实例分组在一起;因此,我们分别估计一个组公共因子作为内容,一个实例特定因子作为变换。这种方法允许学习表示内容的一般连续空间,其可以容纳看不见的内容。尽管简单,我们的模型成功地学习,从五个数据集,内容表示是高度分离的转换表示和推广到数据与新的内容。我们进一步提供了详细的分析的潜在内容代码,并显示洞察我们的模型如何获得显着的转换不变性和内容的概括性。
2021-01-25 cs.AI cs.CV cs.LG
SFFDD: Deep Neural Network with Enriched Features for Failure Prediction with Its Application to Computer Disk Driver
提出了一种结合新的特征推导方法的分类技术,用于预测具有多变量时间序列传感器数据的系统或设备的故障。我们把多变量时间序列传感器数据作为图像进行可视化和计算。失败遵循与根本原因密切相关的各种模式。对原始传感器数据应用不同的预定义变换,以更好地表征故障模式。为了进一步提高分类器的性能,在特征提取的基础上,采用了集成方法。此外,提出了一种通用的深度神经网络算法架构,以较少的人工特征工程处理多种类型的数据。将该方法应用于计算机磁盘驱动器故障的早期预测,以提高存储系统的可用性,避免数据丢失。智能特征的引入大大提高了分类精度。
2021-09-20 cs.LG stat.ML
Subspace-Configurable Networks
Graz University of Technology(格拉茨工业大学);Complexity Science Hub Vienna(维也纳复杂性科学中心);University of Macao(澳门大学);ETH Zurich(苏黎世联邦理工学院)
本文提出子空间可配置网络(SCNs),通过训练低维参数化网络子空间,在边缘设备上高效应对输入域偏移,提升鲁棒性并节省资源。
2024-05-28 cs.LG
Unified Data Collection for Visual-Inertial Calibration via Deep Reinforcement Learning
ETH Zurich(苏黎世联邦理工学院)
视觉惯性传感器在机器人领域有着广泛的应用。然而,良好的性能往往需要不同的复杂的运动例程,以准确地校准相机的内在和传感器间的外在。这项工作提出了一种新的配方,学习的运动策略上执行的机器人手臂自动数据汇集校准内在和外在的联合。我们的方法使用无模型深度强化学习对校准过程进行了建模,以导出一种策略,该策略指导持有传感器的机器人手臂的运动,以有效地收集可用于相机内部校准和相机IMU外部校准的测量值。给定当前姿态和收集的测量值,学习策略生成优化传感器校准精度的后续变换。在模拟和一个真正的机器人系统的评估表明,我们学到的政策产生有利的运动轨迹,并有效地收集足够的测量,产生所需的内在和外在的短路径长度。在模拟中,我们能够以比手工制定的策略快10倍的速度执行校准,这比人类专家快3倍。
2021-09-30 cs.LG cs.RO
To augment or not to augment? Data augmentation in user identification based on motion sensors
University of Bucharest(布加勒斯特大学)
现今,移动终端用户常用的认证系统,例如密码检查、面部识别或指纹扫描,容易受到各种攻击。为了防止一些可能的攻击,可以通过考虑双因素认证方案来增强这些显式认证系统,其中第二因素是基于分析由加速度计或陀螺仪捕获的运动传感器数据的隐式认证系统。为了避免用户的任何额外负担,隐式认证系统的注册过程必须快速执行,即,从用户收集的数据样本的数量通常很小。在设计用于基于运动信号的隐式用户认证的机器学习模型的上下文中,数据增强可以发挥重要作用。在本文中,我们研究了几个数据增强技术,在寻找有用的增强方法的运动传感器数据。我们提出了一组四个研究问题,数据增强的背景下,Few-Shot用户识别的运动传感器信号的基础上。我们在基准数据集上进行实验,使用两种深度学习架构,卷积神经网络和长短期记忆网络,显示哪些以及何时数据增强方法带来准确性的提高。有趣的是,我们发现,数据增强是不是很有帮助,最有可能是因为有用的区分用户的信号模式是太敏感的转换所带来的某些数据增强技术。这一结果与人们普遍认为的数据增强有望提高机器学习模型的准确性有些矛盾。
2020-09-01 cs.CV cs.LG eess.SP