Guidelines and Benchmarks for Deployment of Deep Learning Models on Smartphones as Real-Time Apps
University of Texas at Dallas(德克萨斯大学达拉斯分校)
深度学习解决方案越来越多地用于移动应用程序。虽然有许多开源软件工具用于开发深度学习解决方案,但没有一个地方以统一的方式使用这些工具来在智能手机上实时的【形】部署这些解决方案。从各种可用的深度学习工具中,本文使用了最合适的工具,以便在智能手机上实时的【形】部署深度学习推理网络。为Android和iOS智能手机设计了统一的实现流程。还展示了使用多线程来实现或提高实时的【形】吞吐量的优势。一个基准框架,包括准确性,CPU/GPU的消耗和实时的【形】吞吐量被认为是验证的目的。开发的部署方法允许基于公开可用的深度学习和智能手机软件工具轻松将深度学习模型转化为实时的【形】智能手机应用程序。该方法被应用到六个流行的或有代表性的卷积神经网络模型,并报告了基于基准测试指标的验证结果。
2019-01-08 cs.LG stat.ML
Trajectory Planning for UAV-Based Smart Farming Using Imitation-Based Triple Deep Q-Learning
National Institute of Informatics(国立信息研究所);The University of Tokyo(东京大学);Pontificia Universidad Católica de Chile(智利天主教大学);China Agricultural University(中国农业大学)
本文提出基于模仿学习的三重深度Q学习算法,用于提升无人机在智能农业中的轨迹规划性能,实验显示其在杂草识别和数据收集方面均优于传统方法。
2025-12-21 cs.LG
Scalable Smartphone Cluster for Deep Learning
Seoul National University(首尔大学);Korea Institute of Science and Technology(韩国科学技术研究院);Samsung Advanced Institute of Technology(三星综合技术院);Samsung Electronics(三星电子)
智能手机上的各种深度学习应用正在迅速崛起,但训练深度神经网络(DNN)的计算负担太大,无法在单个智能手机上执行。一个便携式集群,它连接智能手机与无线网络,并支持使用它们的并行计算,可以是一个潜在的方法来解决这个问题。然而,根据我们的研究结果,无线通信的局限性将集群大小限制为最多30部智能手机。这种小规模集群的计算能力不足以从头开始训练DNN。在本文中,我们提出了一个可扩展的智能手机集群,通过去除可移植性来提高其计算效率,从而实现深度学习训练。该集群使用以太网将138台Galaxy S10+设备与有线网络连接起来。我们基于深度学习库Caffe实现了DNN的大批量同步训练。在训练ResNet-50时,智能手机集群产生了P100速度的90%,在训练MobileNet-v1时,速度大约是V100的43倍。
2021-10-23 cs.DC cs.LG
Capacity-constrained demand response in smart grids using deep reinforcement learning
Lincoln AI Lab, University of Lincoln(林肯AI实验室,林肯大学)
本文提出一种基于深度强化学习的容量受限需求响应方法,通过经济激励减少峰值需求并优化电网负荷
2026-02-18 cs.LG
Simultaneous Detection of Multiple Appliances from Smart-meter Measurements via Multi-Label Consistent Deep Dictionary Learning and Deep Transform Learning
目前,有几个众所周知的方法,非侵入式家电负载监测规则为基础的,随机有限状态机,神经网络和稀疏编码。近年来,一些研究提出了一种基于多标签分类的新方法。不同的电器被视为单独的类,任务是识别给定聚合智能电表读数的类。这一领域的先前研究已经使用了现成的算法,如MLKNN和RAKEL来解决这个问题。在这项工作中,我们提出了一种基于深度学习的技术。基于深度学习的多标签分类几乎没有任何研究;解决上述问题的两种新的深度学习技术是这项工作的基本贡献。这就是深度字典学习和深度变换学习。在基准数据集上的实验结果表明,与现有的研究相比,有显着的改善。
2019-12-11 cs.LG eess.SP
Deep Smart Contract Intent Detection
Macau University of Science and Technology(澳门科技大学);Institute of Intelligent Computing Technology, Suzhou, CAS(中国科学院苏州智能计算技术研究院);North Carolina State University(北卡罗来纳州立大学);Beijing Normal University - Hong Kong Baptist University United International College(北京师范大学-香港浸会大学联合国际学院);Suzhou City University(苏州城市学院);Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究院)
针对智能合约恶意开发意图难以检测的问题,提出 SmartIntentNN,结合预训练句子编码、K-means 特征聚类与双向 LSTM 多标签分类,在 4 万余个合约上实现 0.8633 的 F1 分数。
2024-12-26 cs.LG cs.SE
ABODE-Net: An Attention-based Deep Learning Model for Non-intrusive Building Occupancy Detection Using Smart Meter Data
New Mexico Institute of Mining and Technology(新墨西哥矿业与技术学院)
占用信息对于建筑部门的有效能源管理是有用的。智能电表在高级计量基础设施(AMI)网络中收集的大量高分辨率电力消耗数据使其能够以非侵入式方式推断建筑物的占用状态。在本文中,我们提出了一种称为ABODE网络的深度学习模型,该模型采用了一种新的并行注意力(PA)块,用于使用智能电表数据进行建筑物占用检测。PA块以并行方式组合时间、变量和信道注意模块,以表示占用检测的重要特征。在我们的性能评估中,我们采用了两个广泛用于建筑物占用检测的智能电表数据集。包括一组最先进的浅层机器学习和深度学习模型以进行性能比较。实验结果表明,ABODE-Net在所有实验情况下都明显优于其他模型,证明了其作为非侵入式建筑物占用检测解决方案的有效性。
2022-12-21 cs.LG eess.SP
DeepFeatIoT: Unifying Deep Learned, Randomized, and LLM Features for Enhanced IoT Time Series Sensor Data Classification in Smart Industries
School of Information Technology, Deakin University(信息科技学院,德肯大学)
针对物联网时间序列传感器数据因元数据丢失、数据源异质等问题难以解读的挑战,提出DeepFeatIoT模型,融合深度学习特征、随机卷积核特征及LLM特征,在多真实数据集上优于基准模型,提升分类效果并支持智能系统发展。
2025-08-13 cs.AI cs.LG
Human Activity Recognition using Deep Learning Models on Smartphones and Smartwatches Sensor Data
Indiana University-Purdue University Indianapolis(印第安纳大学与普渡大学印第安纳波利斯联合分校);Emory University(埃默里大学);Federal University of Agriculture, Abeokuta(联邦农业大学阿贝奥库塔校区)
近年来,由于智能手机和智能手表等产品中广泛部署了加速度计和陀螺仪等传感器,人类活动识别在工业和学术研究中都受到了相当大的关注。活动识别目前应用于需要关于个人的功能能力和生活方式的有价值的信息的各种领域。在这项研究中,我们使用流行的WISDM数据集进行活动识别。使用多变量协方差分析(MANCOVA),我们在智能手机和智能手表中嵌入的传感器生成的数据之间建立了统计学显著差异(p<0.05)。通过这样做,我们表明智能手机和智能手表由于佩戴位置的不同,不会以相同的方式捕获数据。我们部署了几种神经网络架构来分类15种不同的手部和非手部活动。这些模型包括长短期记忆(LSTM)、双向长短期记忆(BiLSTM)、卷积神经网络(CNN)和卷积LSTM(ConvLSTM)。开发的模型在手表加速度计数据下表现最好。此外,我们看到,在15个活动中的12个活动中,卷积输入分类器(CNN和ConvLSTM)获得的分类精度高于端到端LSTM分类器。此外,与面向手的活动相比,手表加速度计的CNN模型能够更好地对非面向手的活动进行分类。
2021-02-28 cs.LG eess.SP
Towards Smart City Innovation Under the Perspective of Software-Defined Networking, Artificial Intelligence and Big Data
Salvador University - UNIFACS(萨尔瓦多大学(UNIFACS))
智慧城市项目解决了目前困扰人口密集地区和城市的许多问题,因此,是计划探索其可预见优势的政府,机构和私人组织的目标。从技术上讲,智慧城市项目提出了一系列复杂的要求,包括大量具有高度不同和异构要求的用户。在这种情况下,本文提出并分析了采用软件定义网络和人工智能作为智慧城市项目开发和部署的创新方法的影响和前景。大数据也被认为是大多数智慧城市项目必须解决的固有元素。提出了一个框架分层视图,讨论了软件定义网络和机器学习对创新的影响,然后通过一个用例展示了认知学习对智慧城市的潜在好处。有人认为,智慧城市项目的复杂性确实需要新的创新方法,这些方法可能会导致更高效和智能的系统。
2018-10-27 cs.LG cs.NI
A Demonstration of Smart Doorbell Design Using Federated Deep Learning
Pandit Deendayal Petroleum University(潘迪特·丁代亚尔石油大学);NUI Galway(爱尔兰国立高威大学)
智能门铃在保护我们的现代家居方面发挥着重要作用。将视频流发送到集中式服务器(或云)以进行视频分析的现有方法一直面临许多挑战,诸如延迟、带宽成本以及更重要的用户隐私问题。为了应对这些挑战,本文展示了基于联合深度学习的智能智能门铃的能力,它可以跨边缘和云资源部署和管理视频分析应用程序,例如智能门铃。该平台可以扩展,与多个设备一起工作,无缝管理应用程序组件的在线编排。所提出的框架是使用最先进的技术实现的。我们使用Flask框架实现Federated Server,使用Nginx和Gunicorn进行容器化,部署在AWS EC2和AWS Serverless架构上。
2020-10-19 cs.AI cs.DC cs.LG
Smart Grid: A Survey of Architectural Elements, Machine Learning and Deep Learning Applications and Future Directions
University Of Colombo(科伦坡大学);Charles Sturt University(查尔斯特大学);Vellore Institute of Technology(韦洛尔理工学院)
本文综述了智能电网的架构要素以及机器学习和深度学习在其中的应用,并指出现有研究的局限性与未来方向。
2020-10-16 cs.AI cs.LG
A Deep Learning Approach to Diagnosing Multiple Sclerosis from Smartphone Data
ETH Zurich(苏黎世联邦理工学院)
多发性硬化症(MS)影响中枢神经系统,症状广泛。例如,MS可引起疼痛、情绪变化和疲劳,并可能损害人的运动、言语和视觉功能。MS的诊断通常涉及复杂的临床评估和测试的组合,以排除具有类似症状的其他疾病。新技术,如自由生活条件下的智能手机监测,可能有助于通过长期量化症状的存在和强度来客观评估MS的症状。在这里,我们提出了一种从智能手机衍生的数字生物标志物诊断MS的深度学习方法,该方法使用多层感知器与神经软注意力的新型组合来改善对长期智能手机监测数据中模式的学习。使用来自774名参与者的队列数据,我们证明了我们的深度学习模型能够区分患有和没有MS的人,接收器工作特征曲线下面积为0.88(95% CI:0.70,0.88)。我们的实验结果表明,来自智能手机数据的数字生物标志物将来可以用作MS的额外诊断标准。
2020-08-31 cs.CY cs.LG stat.ML
Towards an Error-free Deep Occupancy Detector for Smart Camera Parking System
Seoul National University(首尔国立大学)
虽然智能摄像头停车系统的概念已经存在了几十年,但一些方法已经完全解决了系统的可扩展性和可靠性。由于智能停车系统的基石是检测占用的能力,传统方法使用分类骨干从手动标记的网格中预测停车点。这是耗时的,并且失去了系统的可扩展性。此外,大多数方法都使用深度学习模型,这使得它们在规模上不是无错误的,也不是可靠的。因此,我们提出了一个端到端的智能摄像头停车系统,我们提供了一个自主检测占用的对象检测器称为OcpDet。我们的检测器还提供了来自对比模块的有意义的信息:训练和空间知识,这避免了推理过程中的错误检测。我们在现有的PKLot数据集上对OcpDet进行了基准测试,并与传统的分类解决方案相比达到了有竞争力的结果。我们还引入了一个额外的SNU-SPS数据集,在其中我们从各种角度估计系统性能,并在停车分配任务中进行系统评估。从我们的数据集的结果表明,我们的系统是有前途的现实世界的应用。
2022-10-25 cs.CV cs.LG
Real-Time Sleep Staging using Deep Learning on a Smartphone for a Wearable EEG
MIT Media Lab(麻省理工学院媒体实验室)
我们提出了第一个实时的【形】睡眠分期系统,该系统使用深度学习,而无需在智能手机应用程序中为可穿戴EEG提供服务器。我们采用单通道脑电图(EEG)的实时的【形】自适应来从时间分布的1-D深度卷积神经网络进行推断。多导睡眠图(PSG)-睡眠分期的黄金标准,需要人工评分,既复杂又资源密集。我们的工作展示了一个端到端的智能手机管道,可以在30秒的时间内推断睡眠阶段,使用开放的Sleep-EDF数据集对睡眠阶段的五类分类进行20倍交叉验证,总体准确率为83.5%。
2018-11-28 cs.HC cs.LG eess.SP
A Survey of Human Activity Recognition in Smart Homes Based on IoT Sensors Algorithms: Taxonomies, Challenges, and Opportunities with Deep Learning
IMT Atlantique(IMT大西洋学院);Delta Dore company(Delta Dore公司)
物联网(IoT)技术的最新进展和传感器成本的降低鼓励了智能环境(例如灵巧家庭)的发展。灵巧家庭可以提供家庭辅助服务,以改善其居民的生活质量,自主性和健康,特别是对老年人和受抚养人。为了提供这样的服务,灵巧家庭必须能够了解其居民的日常活动。在灵巧家庭中识别人类活动的技术每天都在进步。但新的挑战每天都在出现。在本文中,我们提出了最近的算法,作品,挑战和分类领域的人类活动识别在灵巧家庭通过环境传感器。此外,由于灵巧家庭中的活动识别是一个年轻的领域,我们提出了具体的问题,缺少和需要的贡献。而且还提出了方向,研究机会和解决方案,以加速这一领域的进步。
2021-10-18 cs.AI cs.HC cs.LG
Deep Learning for Intelligent Demand Response and Smart Grids: A Comprehensive Survey
Vellore Institute of Technology(韦洛尔理工学院);Pusan National University(釜山国立大学);University of Oulu(奥卢大学);Indian Institute of Technology Madras(印度理工学院马德拉斯分校)
电力是当今人类必不可少的商品之一。为了解决通过传统电网传输电力的挑战和问题,开发了智能电网和需求响应的概念。在这样的系统中,每天从各种源生成大量数据,诸如发电(例如,风力涡轮机),传输和分配(微电网和故障检测器),负载管理(智能电表和智能电器)。由于大数据和计算技术的最新进展,可以利用深度学习(DL)从生成的数据中学习模式,并预测电力需求和高峰时段。基于深度学习在智能电网中的优势,本文对深度学习在智能电网和需求响应中的应用进行了全面的综述。首先,我们介绍了DL的基本原理,智能电网,需求响应,以及使用DL的动机。其次,我们回顾了最先进的应用DL在智能电网和需求响应,包括电力负荷预测,状态估计,能源盗窃检测,能源共享和交易。此外,我们通过各种用例和项目说明DL的实用性。最后,我们强调了现有的研究工作中提出的挑战,并强调了在智能电网和需求响应的DL的使用的重要问题和潜在的方向。
2021-01-20 cs.LG cs.SY eess.SY
On Multi-Agent Deep Deterministic Policy Gradients and their Explainability for SMARTS Environment
University of Southern California(南加州大学)
多智能体RL或MARL是自动驾驶文献中的复杂问题之一,阻碍了当今全自动驾驶汽车的发布。几个模拟器在开始之后一直在迭代,以减轻自动驾驶中多个代理的复杂场景的问题。一个这样的模拟器-SMARTS,讨论了合作的多智能体学习的重要性。针对这个问题,我们讨论了两种方法-MAPPO和MADDPG,这是基于政策和政策外RL方法。我们将我们的结果与最先进的结果进行比较,并讨论了潜在的改进领域,同时讨论了这些方法与SMARTS环境中的航点结合的可解释性。
2023-01-20 cs.AI cs.CV cs.LG
Interpretable Deep Learning for the Remote Characterisation of Ambulation in Multiple Sclerosis using Smartphones
University of Oxford(牛津大学);Roche Innovation Center(罗氏创新中心);KU Leuven(鲁汶大学)
智能手机等数字技术在医疗保健应用中的出现表明,有可能开发出丰富、连续和客观的多发性硬化症(MS)残疾指标,这些指标可以远程和门诊外管理。在这项工作中,与标准的支持向量机(SVM)基于特征的方法相比,应用于智能手机惯性传感器数据的深度卷积神经网络(DCNN)可以更好地区分健康与MS参与者的行为。为了克服远程生成的健康数据的典型局限性,如受试者数量少、数据稀疏和异构等,提出了一种基于类似大型开源数据集的迁移学习(TL)模型。我们的TL框架利用了从类似的基于智能手机的传感器数据中收集的人类活动识别(HAR)任务的动态信息。“黑匣子”深度网络缺乏透明度仍然是深度学习在临床应用中被更广泛接受的最大障碍之一。因此,接下来的工作旨在使用分层相关传播(LRP)可视化相关热图归因的DCNN决策。通过LRP框架,可以开始建立和理解从基于智能手机的惯性传感器数据中捕获的模式,这些模式反映了健康人与MS患者(PwMS)的关系。解释表明,基于节奏的措施,步态速度和走动相关的信号扰动是区别MS残疾与健康参与者的独特特征。从高频率的门诊评估中产生的稳健和可解释的结果可以大大增强PwMS目前的门诊评估,为更好的疾病管理技术提供信息,并能够开发更好的治疗干预措施。
2021-06-22 cs.LG eess.SP
Semi-supervised Deep Reinforcement Learning in Support of IoT and Smart City Services
Western Michigan University(西密歇根大学);University of Idaho(爱达荷大学)
智能服务是智慧城市和物联网(IoT)生态系统的重要组成部分,其中服务背后的智能通过传感数据获得和改进。提供大量的训练数据并不总是可行的;因此,我们需要考虑合并未标记数据的替代方法。近年来,深度强化学习(Deep Reinforcement Learning,DRL)在多个应用领域取得了巨大的成功。这是一种适用于物联网和智慧城市场景的方法,其中自动生成的数据可以部分地通过用户的反馈进行标记以用于培训目的。在本文中,我们提出了一种适合智慧城市应用的半监督深度强化学习模型,因为它同时消耗标记和未标记的数据,以提高学习代理的性能和准确性。该模型利用变分自编码器(VAE)作为推理引擎,用于推广最优策略。据我们所知,该模型是第一次将深度强化学习扩展到半监督范式的研究。作为智慧城市应用的案例研究,我们专注于智能建筑,并将所提出的模型应用于基于BLE信号强度的室内定位问题。室内定位是智慧城市服务的主要组成部分,因为人们在室内环境中花费大量时间。我们的模型学习了最佳的行动策略,导致对目标位置的接近估计,与监督DRL模型相比,到目标的距离提高了23%,收到的奖励至少增加了67%。
2018-10-09 cs.AI cs.LG cs.NI
Deep Multitask Learning for Pervasive BMI Estimation and Identity Recognition in Smart Beds
本研究针对智能床场景下的BMI监测与用户身份识别需求,提出基于纺织传感器压力数据的深度多任务学习框架,在两个公开数据集上经10折交叉验证,性能显著优于现有方法与基准模型。
2020-06-18 cs.LG eess.SP
An Enhanced Analysis of Traffic Intelligence in Smart Cities Using Sustainable Deep Radial Function
Al-Kitab University(阿尔基塔布大学);Annai Velankanni College of Engineering(安奈维兰卡尼工程学院);Saveetha School of Engineering(萨维塔工程学院);Sri Eshwar College of Engineering(斯里埃什瓦尔工程学院);Northern Technical University(北方技术大学);University of Anbar(安巴尔大学)
针对智慧城市交通管理问题,提出一种基于深度径向基函数(RBF)网络的方法,通过学习交通数据中的非线性模式实现更精准的预测与决策,有效提升了交通智能。
2024-01-24 cs.LG cs.NE cs.NI
Arcades: A deep model for adaptive decision making in voice controlled smart-home
Univ. Grenoble Alpes(格勒诺布尔阿尔卑斯大学);CNRS(法国国家科学研究中心);LIG(信息学实验室)
在语音控制的灵巧家庭中,控制器不仅要响应用户的请求,还要根据交互上下文做出响应。本文介绍了Arcades,一个系统,它使用深度强化学习从家庭自动化系统的图形表示中提取上下文,并不断更新其行为到用户的行为。该系统通过其图形化表示(缩放良好)和强化机制(适应良好)对环境变化(传感器故障或添加)具有鲁棒性。实际数据实验表明,该方法有望实现灵巧家庭的长寿命上下文感知控制。
2018-07-05 cs.AI cs.LG cs.RO
Deep Learning Detection of Inaccurate Smart Electricity Meters: A Case Study
Northeast Normal University(东北师范大学);Changchun University of Technology(长春工业大学);University of Missouri(密苏里大学);Qinghu Rising Sunshine Data Technology (Beijing) Co., Ltd(清湖旭日阳光数据技术(北京)有限公司);National Institute Ltd(国家研究院有限公司)
检测不准确的智能电表并进行更换可以节省大量资源。为此,开发了一种基于长短期记忆(LSTM)和改进的卷积神经网络(CNN)的新型深度学习方法,以根据历史数据预测用电轨迹。根据预测轨迹与观测轨迹之间的显著差异,定位不能准确测量电力的仪表。在一个案例研究中,证明了在实际使用中以高精度检测不准确的电表的原理,以防止不必要的更换,并延长智能电表的使用寿命。
2020-08-07 cs.AI cs.LG eess.SP
Smart App Attack: Hacking Deep Learning Models in Android Apps
Monash University(莫纳什大学)
设备上的深度学习正在移动应用中迅速普及。与将深度学习从智能手机卸载到云端相比,设备上的深度学习可以实现离线模型推理,同时保护用户隐私。然而,这样的机制不可避免地将模型存储在用户的智能手机上,并且可能邀请对抗攻击,因为它们可被攻击者访问。由于设备上模型的特点,现有的大多数对抗攻击不能直接应用于设备上模型。在本文中,我们引入了一个灰盒对抗攻击框架,通过基于识别的迁移学习方法和TensorFlow Hub的预训练模型制作高度相似的二进制分类模型来攻击设备上的模型。我们评估了四种不同设置的攻击有效性和通用性,包括预训练模型,数据集,迁移学习方法和对抗攻击算法。结果表明,无论不同的设置,所提出的攻击仍然有效,并显着优于最先进的基线。我们进一步对从Google Play收集的真实世界的深度学习移动应用程序进行实证研究。在采用迁移学习的53个应用程序中,我们发现其中71.7%可以被成功攻击,其中包括医疗,自动化和金融类别中具有关键使用场景的热门应用程序。这些结果要求深度学习移动应用程序开发人员提高意识并采取行动,以保护设备上的模型。该工作的代码可在https://github.com/Jinxhy/SmartAppAttack上获得
2022-04-23 cs.CR cs.LG cs.SE
Smart Contract Vulnerability Detection: From Pure Neural Network to Interpretable Graph Feature and Expert Pattern Fusion
Zhejiang University(浙江大学);National University of Singapore(新加坡国立大学);Shandong Normal University(山东师范大学)
智能合约持有价值数十亿美元的数字货币,其安全问题在过去几年中引起了广泛关注。对于智能合约漏洞检测,传统方法严重依赖于固定的专家规则,导致准确性低,可扩展性差。最近的深度学习方法缓解了这个问题,但未能编码有用的专家知识。在本文中,我们探索以一种可解释的方式将深度学习与专家模式相结合。具体来说,我们开发自动工具,从源代码中提取专家模式。然后,我们将代码转换为语义图以提取深度图特征。然后,融合全局图特征和局部专家模式,以合作并接近最终预测,同时产生其可解释的权重。实验在以太坊和VNT Chain两个平台上的所有可用的智能合约上进行。从经验上讲,我们的系统明显优于最先进的方法。我们的代码被释放了。
2021-06-17 cs.LG cs.PL
Deep Learning-Based Gait Recognition Using Smartphones in the Wild
Wuhan University(武汉大学);Shenzhen University(深圳大学)
与其他生物特征识别技术相比,步态具有隐蔽性强、不易被察觉等优点。惯性传感器,如加速度计和陀螺仪,通常用于捕获步态动力学。这些惯性传感器通常被集成到智能手机中,并被普通人广泛使用,这使得步态数据方便和廉价的收集。在本文中,我们研究了步态识别使用智能手机在野外。与通常需要人沿着指定道路和/或以正常行走速度行走的传统方法相比,所提出的方法在不受约束的条件下收集惯性步态数据,而不知道用户何时、何地以及如何行走。为了获得良好的身份识别和认证性能,提出了基于步行数据的深度学习技术来学习和建模步态生物特征。具体而言,提出了一种用于鲁棒步态特征表示的混合深度神经网络,其中空间和时间域中的特征由卷积神经网络和递归神经网络连续提取。在实验中,使用智能手机收集的两个数据集,共118名受试者用于评估。实验结果表明,该方法在身份识别和身份认证方面分别达到了93.5%和93.7%以上的准确率。
2020-04-29 cs.LG eess.SP stat.ML
Man-recon: manifold learning for reconstruction with deep autoencoder for smart seismic interpretation
Georgia Institute of Technology(佐治亚理工学院)
如果提供足够量的标记训练数据,深度学习可以提取丰富的数据表示。然而,对于许多任务,注释数据在时间和金钱方面具有显著成本,这是由于所需的高标准的主题专业知识,例如在医学和地球物理图像判读任务中。主动学习可以为口译员识别出信息量最大的训练样本进行训练,从而提高效率。我们提出了一个主动学习方法的基础上联合学习表示监督和无监督的任务。学习的流形结构稍后被用于从无监督任务上的错误配置文件中识别与学习的流形最不相似的信息训练样本。我们验证了所提出的方法在荷兰F3区块调查的地震相分割数据集上的效率,显着优于当代方法,以实现最高的平均相交超过工会值0.773。
2022-12-15 cs.LG eess.IV
Smart Energy Guardian: A Hybrid Deep Learning Model for Detecting Fraudulent PV Generation
University of Electronic Science and Technology of China(电子科技大学);Monash University(墨尔本大学);Shenzhen Institute for Advanced Study(深圳先进研究所);Monash Energy Institute(墨尔本能源研究所)
针对智慧城市住宅光伏发电中的窃电问题,提出一种结合多尺度CNN、LSTM和Transformer的混合深度学习模型,并引入数据嵌入技术,有效提升复杂窃电检测的准确性。
2025-05-24 cs.AI cs.LG eess.SP
Power Management in Smart Residential Building with Deep Learning Model for Occupancy Detection by Usage Pattern of Electric Appliances
Electronics and Telecommunications Research Institute (ETRI)(韩国电子通信研究院);Korea Advanced Institute of Science and Technology (KAIST)(韩国科学技术院)
随着智能建筑应用的增长,住宅建筑中的占用信息变得越来越重要。在智能建筑范例的背景下,这种信息需要用于各种目的,包括提高能源效率和居住者舒适度。在这项研究中,居住建筑中的占用检测是使用深度学习的基础上的技术信息的电器。为此,提出了一种新的智能住宅建筑系统的占用检测方法。使用智能计量系统测量的电器、传感器、光和HVAC的数据集,从50个家庭收集,用于模拟。利用支持向量机和自编码算法对数据集的占用率进行分类。混淆矩阵用于准确率,精度,召回率和F1,以证明所提出的方法在占用检测的比较性能。该算法利用电器产品的技术信息实现了95.7~ 98.4%的占用检测。为了验证占用检测数据,主成分分析和t分布随机邻居嵌入(t-SNE)算法。通过使用占用检测,智能建筑中可再生能源系统的功耗降低到11.1%~13.1%。
2022-09-23 cs.HC cs.LG eess.SP
Characterizing Impacts of Heterogeneity in Federated Learning upon Large-Scale Smartphone Data
Key Lab of High Confidence Software Technologies (Peking University)(高可信软件技术重点实验室(北京大学));State Key Laboratory of Networking and Switching Technology (BUPT)(网络与交换技术国家重点实验室(北京邮电大学));Department of Computer Science and Technology, Peking University(北京大学计算机科学技术系);Microsoft Research(微软研究院)
联邦学习(FL)是一种新兴的、保护隐私的机器学习范式,引起了学术界和工业界的极大关注。FL的一个独特特征是异质性,异质性存在于参与设备的各种硬件规格和动态状态中。从理论上讲,异质性会对外语训练过程产生巨大的影响,例如,导致设备不能用于训练或不能上传其模型更新。不幸的是,这些影响从来没有被系统地研究和量化在现有的FL文献。在本文中,我们进行了第一次实证研究,以表征异质性在FL的影响。我们收集了大规模的数据,从136k智能手机,可以忠实地反映在现实世界中的异质性设置。我们还建立了一个异质性感知FL平台,符合标准FL协议,但考虑到异质性。基于这些数据和平台,我们进行了大量的实验,以比较最先进的FL算法在异质性感知和异质性感知设置下的性能。结果表明,异构性导致FL的性能下降,包括高达9.2%的准确率下降,2.32倍的训练时间延长,并破坏了公平性。此外,我们分析了潜在的影响因素,发现设备故障和参与者偏见是性能下降的两个潜在因素。我们的研究提供了深刻的启示外语从业者。一方面,我们的研究结果表明,FL算法设计者在评估过程中考虑了必要的异质性。另一方面,我们的研究结果敦促系统提供商设计具体的机制,以减轻异质性的影响。
2021-03-12 cs.DC cs.LG stat.ML
FederatedNILM: A Distributed and Privacy-preserving Framework for Non-intrusive Load Monitoring based on Federated Deep Learning
University of Essex(埃塞克斯大学);Durham University(杜伦大学);University College Cork(科克大学学院)
非侵入式负载监测(NILM)通常利用机器学习方法,并有效地将智能电表读数从家庭级别分解为电器级别的消耗,可以帮助分析用户的用电行为,并实现实际的智能能源和智能电网应用。然而,智能电表是私有和分布式的,这使得NILM的实际应用具有挑战性。为此,本文提出了一种分布式隐私保护的联邦深度学习框架(FederatedNILM),将联邦学习与最先进的深度学习架构相结合,进行NILM,用于家电典型状态的分类。通过大量的对比实验,证明了所提出的FederatedNILM框架的有效性。
2021-08-08 cs.AI cs.LG eess.SP
Multi-Agent Deep Q-Network with Layer-based Communication Channel for Autonomous Internal Logistics Vehicle Scheduling in Smart Manufacturing
Univ. Grenoble Alpes, CNRS, Grenoble INP G-SCOP(格勒诺布尔大学、法国国家科学研究中心、格勒诺布尔理工学院G-SCOP实验室);University of Virginia(弗吉尼亚大学)
针对智能制造中自主内部物流车辆调度难题,提出带分层通信通道的多智能体深度Q网络,在多项目标优化、动态场景适配及规模扩展性上均优于9种经典调度启发式算法。
2024-11-01 cs.AI cs.LG cs.MA
A Multi-Agent Deep Reinforcement Learning Approach for a Distributed Energy Marketplace in Smart Grids
University of Kansas(堪萨斯大学)
本文提出了一种基于强化学习(RL)的能源市场的生产消费者占主导地位的微电网。所提出的市场模型促进了实时和需求依赖的动态定价环境,降低了电网成本,提高了生产消费者的经济效益。此外,这种市场模式使电网运营商能够利用生产消费者的存储容量作为电网支持应用的可调度资产。基于Deep QNetwork(DQN)框架的仿真结果表明,产消者和电网运营商的24小时累计利润都有显着提高,电网备用功率利用率也大幅降低。
2020-09-23 cs.LG cs.MA cs.SY
Explainable AI: Deep Reinforcement Learning Agents for Residential Demand Side Cost Savings in Smart Grids
IIT Bombay(印度理工学院孟买分校)
受深度强化学习(RL)最新进展的启发,我们开发了一个RL代理来管理家庭中存储设备的操作,旨在最大限度地节省需求方的成本。所提出的技术是数据驱动的,RL代理从头开始学习如何有效地使用给定可变费率结构的储能设备。在大多数研究中,RL agent被认为是一个黑盒子,agent是如何学习的往往被忽略。我们解释了RL代理的学习过程,以及它根据存储设备的容量所遵循的策略。
2019-10-30 cs.AI cs.GT cs.LG
L3-Net Deep Audio Embeddings to Improve COVID-19 Detection from Smartphone Data
Institute for Informatics and Telematics of the National Research Council of Italy(意大利国家研究委员会信息学与远程通信研究所);University of Milano(米兰大学)
智能手机和可穿戴设备,以及人工智能,可以通过实施低成本和普及的解决方案,在早期阶段识别新疾病的发展,并通过潜在地避免新的疫情的出现,在流行病控制方面代表着一个改变游戏规则的人。最近的一些研究显示,通过使用机器学习和手工制作的声学特征,可以从语音和咳嗽中检测COVID-19的诊断信号。在本文中,我们决定研究最近提出的深度嵌入模型L3-Net从原始呼吸音频记录中自动提取有意义特征的能力,以提高标准机器学习分类器在从智能手机数据中区分COVID-19阳性和阴性受试者方面的性能。我们在3个数据集上对所提出的模型进行了评估,并将所得结果与两个参考文献的结果进行了比较。结果表明,L3-Net与手工制作的特征相结合,在一组与受试者无关的实验中,在AUC方面克服了其他作品的28.57%的性能。这一结果为进一步研究不同的深度音频嵌入,以及不同疾病的自动检测铺平了道路。
2022-05-16 cs.LG cs.SD eess.AS
Are Deep Neural Networks SMARTer than Second Graders?
Mitsubishi Electric Research Labs (MERL)(三菱电机研究实验室);Massachusetts Institute of Technology (MIT)(麻省理工学院)
提出SMART任务与SMART-101数据集,评估深度神经网络在儿童视觉语言谜题上的抽象、演绎和泛化能力,发现现有模型在监督下表现尚可但泛化能力不足,且大语言模型答案常出错。
2023-09-11 cs.AI cs.CV cs.LG
Deep-Spying: Spying using Smartwatch and Deep Learning
IT University of Copenhagen(哥本哈根信息技术大学)
如今,可穿戴技术正在崛起,变得越来越普遍,并广泛适用于主流用户。事实上,智能手表和健身追踪器等腕带和臂带设备已经在消费电子市场占据了重要地位,并且正在变得无处不在。然而,由于它们可穿戴的本质,这些设备提供了一个新的普遍攻击面,威胁用户隐私等。与此同时,机器学习的进步为高效处理复杂数据提供了前所未有的可能性。允许模式从高维可分辨的噪声数据中出现。这项工作的目标是提高人们对可穿戴设备内置运动传感器的潜在风险的认识,并展示先进的神经网络架构所利用的滥用机会。在这项研究中提出的基于LSTM的实现可以执行触摸记录和键盘记录12键的键盘上,即使面对原始的未处理的数据,高于平均水平的准确性。因此,通过消除对非平凡预处理管道和精心设计的特征提取策略的需求,证明深度神经网络能够使基于运动传感器的反向推理攻击更容易实现。我们的研究结果表明,当穿戴可穿戴腕带设备时,用户的完整技术生态系统可能会受到损害。
2015-12-17 cs.CR cs.CY cs.LG
FoodAI: Food Image Recognition via Deep Learning for Smart Food Logging
Salesforce Research Asia(Salesforce亚洲研究院)
健康监测的一个重要方面是有效记录食物消费。这可以帮助管理与饮食有关的疾病,如肥胖,糖尿病,甚至心血管疾病。此外,食物记录可以帮助健身爱好者,以及想要达到目标体重的人。然而,食物记录是麻烦的,并且不仅需要花费额外的努力来记录定期食用的食物项目,而且需要对所食用的食物项目有足够的了解(由于各种各样的美食的可用性,这是困难的)。随着对智能设备的依赖越来越大,我们利用智能手机提供的便利,提出了一种智能食品记录系统:FoodAI,它提供了最先进的基于深度学习的图像识别功能。FoodAI是在新加坡开发的,特别专注于新加坡常见的食品。FoodAI模型在来自756个不同类别的40万个食物图像的语料库上进行了训练。在本文中,我们提出了广泛的分析和见解,这个系统的发展。FoodAI已被部署为API服务,并且是由新加坡健康促进委员会开发的移动应用程序Healthy 365的组件之一。我们有超过100个注册组织(大学、公司、初创企业)订阅了这项服务,每天都会收到多个API请求。FoodAI使食物记录变得方便,有助于智能消费和健康的生活方式。
2019-09-26 cs.CV cs.LG cs.MM
Distributed Energy Management and Demand Response in Smart Grids: A Multi-Agent Deep Reinforcement Learning Framework
University of Kansas(堪萨斯大学);Amazon Web Services(亚马逊云科技)
本文提出了一种多智能体深度强化学习(DRL)框架,用于自主控制和可再生能源资源集成到智能电网系统中。特别是,拟议的框架共同考虑需求响应(DR)和分布式能源管理(DEM)的住宅终端用户。DR在提高电网稳定性和可靠性方面具有广泛的潜力,同时可以减少最终用户的能源账单。然而,传统的DR技术有几个缺点,如无法处理操作的不确定性,同时招致最终用户的负效用,这阻止了在现实世界中的应用广泛采用。所提出的框架通过基于使用深度强化学习实现的实时定价策略实现DR和DEM来解决这些缺点。此外,该框架使得电网服务提供商能够利用分布式能源(即,光伏屋顶板和电池存储)作为可调度资产,在高峰时段支持智能电网,从而实现分布式能源的管理。基于深度Q网络(DQN)的仿真结果表明,生产消费者和电网服务提供商的24小时累计利润显着改善,以及电网备用发电机的利用率大幅降低。
2022-11-29 cs.LG cs.MA cs.SY
Flow Rate Control in Smart District Heating Systems Using Deep Reinforcement Learning
Harbin Institute of Technology(哈尔滨工业大学)
在高纬度地区,许多城市采用集中供热系统,以提高能源生产效率并减少污染。在多层系统中,所谓的区域供热,有几种有效的方法来控制加热过程中的流量。在本文中,我们描述了通过深度强化学习解决这个问题的理论方法,并提出了一个基于云的加热控制系统来实现。一个真实世界的案例研究表明,所提出的系统的有效性和实用性的控制由人,和深度强化学习的模拟实验显示,约1985.01千兆焦耳的热量和42276.45吨水节省每小时相比,手动控制。
2019-12-01 cs.AI cs.LG cs.SY
Snoopy: Sniffing Your Smartwatch Passwords via Deep Sequence Learning
University of Oxford(牛津大学);University of Warwick(华威大学);Heriot-Watt University(赫瑞-瓦特大学);Harbin Engineering University(哈尔滨工程大学)
近年来,智能手表的需求已经起飞,新型号可以独立于智能手机运行,并提供更多有用的功能,成为一流的移动平台。人们可以访问网上银行,甚至在没有配对手机的情况下在智能手表上付款。这使得智能手表更有吸引力,也更容易受到恶意攻击,而迄今为止,恶意攻击在很大程度上被忽视了。在本文中,我们展示了Snoopy,一个密码提取和推理系统,它能够在20次尝试内准确地推断出在Android/Apple手表上输入的密码,只需窃听运动传感器。Snoopy使用统一的框架来提取输入密码时的运动数据片段,并使用新颖的深度神经网络来推断实际密码。我们在现实世界中使用来自362名参与者的数据评估了所提出的Snoopy系统,并表明与最先进的系统相比,我们的系统在推断密码的准确性方面提高了3倍,而不会消耗过多的能量或计算资源。我们还表明,Snoopy对用户和设备的异质性非常有弹性:它可以在众包运动数据上进行训练(例如通过Amazon Mechanical Turk),然后用于攻击新用户的密码,即使他们穿着不同的模型。本文表明,在错误的手中,史努比可能会导致严重的敏感信息泄漏。通过提高意识,我们邀请社区和制造商重新审视智能可穿戴设备上连续运动传感的风险。
2019-12-11 cs.CR cs.HC cs.LG
Deep reinforcement learning for smart calibration of radio telescopes
ASTRON(荷兰射电天文研究所)
现代射电望远镜产生了前所未有的数据量,这些数据在交付科学结果之前要经过许多处理管道。这些管道的超参数需要手动调整以产生最佳结果。由于在望远镜的使用寿命期间需要进行数千次观测,并且每次观测都有其独特的设置,因此管道的微调是一项繁琐的任务。为了自动化数据校准管道中的超参数选择过程,我们引入了强化学习的使用。我们测试了两种强化学习技术,双延迟深度确定性政策梯度(TD3)和软演员批评(SAC),训练自主代理执行此微调。为了推广,我们认为管道是一个黑盒系统,其中的总结状态的管道的性能是由自治代理。以这种方式训练的自主代理能够为不同的观察确定最佳设置,因此能够执行“智能”校准,最大限度地减少人为干预的需要。
2021-05-12 astro-ph.IM cs.AI cs.LG
Detecting Buggy Contracts via Smart Testing
Columbia University(哥伦比亚大学);The University of Chicago(芝加哥大学)
针对混合动态分析难发现智能合约深层缺陷的问题,本文提出可自主决策的 SmartSys,利用基础模型选择分析技术、生成模糊目标并结合动态反馈抑制幻觉,发现长期遗漏漏洞并提升覆盖率。
2024-09-06 cs.LG cs.PL cs.SE
A Deep Q-Learning based Smart Scheduling of EVs for Demand Response in Smart Grids
Technical University of Cluj-Napoca(克卢日-纳波卡技术大学)
本文提出一种基于深度Q学习的无模型方法,通过调度微电网中电动汽车的充放电活动以匹配目标能量曲线参与需求响应,实验表明该方法在仅依赖数据的情况下能以0.99的相关系数有效应对动态调度场景。
2024-01-05 cs.AI cs.LG cs.SY
Pervasive Hand Gesture Recognition for Smartphones using Non-audible Sound and Deep Learning
The American University in Cairo(开罗美国大学)
随着普适技术的不断发展,新的普适方法已经进入实践,提供了新的创新功能,并激发了新的人机交互的研究。本文提出了一种手势识别方法,利用智能手机的内置扬声器和麦克风。所提出的系统从智能手机的立体声扬声器发出基于超声波声纳的信号(听不见的声音),然后由智能手机的麦克风接收,并通过卷积神经网络(CNN)进行处理,用于手势识别。为了提高检测精度,提出了数据增强技术,并对三种双通道输入融合方法进行了比较。第一种方法将双声道音频合并为单个输入声谱图图像。第二种方法是通过对双通道谱图进行拼接来实现早期融合。第三种方法采用延迟融合,通过两个对流输入分支处理每个双通道谱图,然后由最后一层合并输出。我们的实验结果表明,一个有前途的检测准确率为93.58%的准确率作为基线,在我们公开的数据集中提出的六个手势。
2021-08-04 cs.CV cs.HC cs.LG
Deep learning for smart fish farming: applications, opportunities and challenges
Beijing Research Center for Information Technology in Agriculture(北京农业信息技术研究中心);National Engineering Research Center for Information Technology in Agriculture(国家农业信息技术工程研究中心);National Engineering Laboratory for Agri-product Quality Traceability(农产品质量溯源国家工程实验室);Ocean University of China(中国海洋大学);Tianjin University of Science and Technology(天津科技大学);University of Almeria(阿尔梅里亚大学)
随着深度学习(DL)技术的迅速崛起,它已经成功应用于包括水产养殖在内的各个领域。这种变化可以为智能养鱼的信息和数据处理带来新的机遇和一系列挑战。本文重点介绍了深度学习在水产养殖中的应用,包括活鱼识别、种类分类、行为分析、投饵决策、个体大小或生物量估计、水质预测等。此外,还分析了DL方法应用于智能养鱼的技术细节,包括数据、算法、计算能力和性能。这篇综述的结果表明,DL最重要的贡献是自动提取特征的能力。但挑战依然存在; DL仍处于弱人工智能时代。训练需要大量的标记数据,这已经成为制约深度学习在水产养殖中进一步应用的瓶颈。尽管如此,DL仍然在水产养殖复杂数据的处理方面取得了突破。简而言之,我们的目的是让研究人员和从业人员更好地了解DL在水产养殖中的最新发展水平,这可以为智能养鱼的实施提供有力的支持。
2020-06-30 cs.CV cs.LG eess.IV
Classification of human activity recognition using smartphones
智能手机已经成为通信手段中最受欢迎和最广泛使用的设备。如今,通过嵌入式传感器可以在移动设备上识别人类活动,可以利用嵌入式传感器通过预测用户活动来管理移动设备上的用户行为。为了达到这一目的,本研究对存储活动特征、分类以及将它们映射到学习算法进行了研究。在这项研究中,我们通过深度信念网络对测试和训练数据进行分类,训练数据的正确诊断率为98.25%,测试数据的正确诊断率为93.01%。因此,在这项研究中,我们证明了深度信念网络是一种适用于这一特定目的的方法。
2020-01-06 cs.CY cs.LG eess.SP
Battery and Hydrogen Energy Storage Control in a Smart Energy Network with Flexible Energy Demand using Deep Reinforcement Learning
Keele University(基尔大学);Luxembourg Institute of Science and Technology(卢森堡科学技术研究院)
智能能源网络提供了一种有效的手段,以适应太阳能和风能等可变可再生能源的高渗透率,这是能源生产深度脱碳的关键。然而,考虑到可再生能源的可变性以及能源需求,必须开发有效的控制和能量存储方案来管理可变的能量产生并实现期望的系统经济性和环境目标。本文介绍了一种由电池和氢储能组成的混合储能系统,以处理与电价、可再生能源生产和消费相关的不确定性。我们的目标是提高可再生能源的利用率,最大限度地降低能源成本和碳排放,同时确保网络内的能源可靠性和稳定性。为了实现这一目标,我们提出了一种多智能体深度确定性策略梯度方法,这是一种基于深度强化学习的控制策略,可以实时优化混合储能系统的调度和能源需求。所提出的方法是无模型的,不需要明确的知识和严格的数学模型的智能能源网络环境。基于真实世界数据的仿真结果表明:(i)与其他基准模型相比,混合储能系统和能源需求的集成和优化操作减少了78.69%的碳排放,节省了23.5%的成本,可再生能源利用率提高了13.2%以上;(ii)所提出的算法优于最先进的自学习算法,如深度Q网络。
2022-08-26 cs.AI cs.LG cs.MA