Unsupervised Domain Adaptation for Estimating Occupancy and Recognizing Activities in Smart Buildings
Notice bibliographique
Résumé
Activities Recognition (AR) and Occupancy Estimation (OE) are topics of current interest. AR and OE can develop many smart building applications such as energy management and can help \nprovide good services for residents. Prior research on AR and OE has typically focused on supervised machine learning methods. For a specific smart building domain, a model is trained using data collected from the current environment (domain). The created model will not generalize well when evaluated in a new related domain due to data distribution differences. Creating a model for \neach smart building environment is infeasible due to the lack of labeled data. Indeed, data collection is a tedious and time-consuming task. Unsupervised Domain Adaptation (UDA) is a good solution for the considered case. UDA solves the problem of the lack of labeled data in the target domain by allowing knowledge transfer across domains. In this research, we provide several UDA methods that mitigate the data distribution shift between source and target domains using unlabeled target data for OE and AR with and without direct access to labeled source data. Firstly, we consider \ntechniques that use only a trained source model instead of a huge amount of labeled source data to make domain adaptation. We adapted and tested several UDA methods such as Source HypOthesis Transfer (SHOT), Higher-Order Moment Matching (HoMM), and Source data Free Domain Adaptation (SFDA) on smart building data. Secondly, we adapt and develop several UDA methods that use labeled source data to estimate the number of occupants and recognize activities. The developed methods that have direct access to the source data are the Virtual Adversarial Domain Adaptation (VADA), Sliced Wasserstein Discrepancy (SWD), and Adaptive Feature Norm (AFN). Finally, we make a comparative analysis between several newly adapted deep UDA methods, applied to the tasks of AR and OE, with and without access to labeled source data.
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 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».