Occupancy estimation and activity recognition in smart buildings using open set domain adaptation
Notice bibliographique
Résumé
Smart buildings (SB) optimize energy use to help the world achieve better sustainability while supporting energy efficiency goals and reversing climate change. Successful occupancy estimation (OE) along with activity recognition (AR) provides essential functionality to accomplish these objectives through the modification of building systems (BS), including heating and lighting. However, developing robust models for SB tasks is challenged by the scarcity of labeled data. Thus, the need for domain adaptation, that aims at adapting a model trained on one domain (source) to perform well on a different domain (target). Traditional closed-set domain adaptation (CSDA) methods have a critical limitation: they assume shared classes between source and target domains, which is unrealistic in many applications. Open Set Domain Adaptation (OSDA) provides a more realistic solution, assuming that only a few categories are available in both domains, making OSDA methods more suitable for SB. This paper presents four novel OSDA approaches: OSDA by backpropagation, OSDA with soft rejection, Unknown Aware Domain Adversarial Learning (UADAL) for OSDA, and Adjustment and Alignment (ANNA) for unbiased OSDA, to address these challenges. Evaluated on offices and residential apartment datasets, our top-performing method achieves 92% accuracy, a 0.89 F1-score on known classes, and an 85% unknown-class detection rate. These techniques differentiate between known and unknown target classes through adversarial training, reducing negative transfer, and improving feature alignment. The OSDA methodologies show notable improvements through testing on SB datasets. This indicates that OSDA implementation in SB can result in significant energy savings and improved sustainability. The code is available in this repository: https://github.com/ons-abderrahim/OSDA-to-Improve-Occupancy-Estimation-and-Activity-Recognition-in-Smart-Buildings .
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».