دانلود استفاده کردن از سنسور اشاره گر- زمان برای فعال نمودن فرا -یادگیری چند حالته نظارت نشده (به همراه ترجمه)

مقاله شامل 9 صفحه متن انگلیسی با فرمت pdf و 22 صفحه متن ترجمه شده به صورت word است.مقاله متعلق به سال 2020 است.

Using Sensory Time-cue to enable

Unsupervised Multimodal Meta-learning

چکیده انگلیسی

Abstract—As data from IoT (Internet of Things) sensors

become ubiquitous, state-of-the-art machine learning algorithms

face many challenges on directly using sensor data. To overcome

these challenges, methods must be designed to learn directly

from sensors without manual annotations. This paper introduces

Sensory Time-cue for Unsupervised Meta-learning (STUM). Different

from traditional learning approaches that either heavily

depend on labels or on time-independent feature extraction

assumptions, such as Gaussian distribution features, the STUM

system uses time relation of inputs to guide the feature space

formation within and across modalities. The fact that STUM

learns from a variety of small tasks may put this method in the

camp of Meta-Learning. Different from existing Meta-Learning

approaches, STUM learning tasks are composed within and

across multiple modalities based on time-cue co-exist with the

IoT streaming data. In an audiovisual learning example, because

consecutive visual frames usually comprise the same object, this

approach provides a unique way to organize features from the

same object together. The same method can also organize visual

object features with the object’s spoken-name features together

if the spoken name is presented with the object at about the same

1. This cross-modality feature organization may further help

the organization of visual features that belong to similar objects

but acquired at different location and time. Promising results are

achieved through evaluations.

ترجمه فارسی:

چکیده : همینطور داده به دست امده از IOT ( اینترنت اشیا) سنسور های قرار گرفته در همه جا, بیان آرایش صورت الگوریتم فراگیری ماشین چالش های زیادی در جهت استفاده کردن از داده سنسور دارد.برای فائق آمدن بر این چالش ها , روش هایی باید طراحی شود تا مستقیما از سنسور ها بیاموزد آن هم بدون هیچ گونه تفسیر دستی. این مقاله سنسور اشاره گر–زمانی را برای فرا-آگاهی نظارت نشده (STUM) معرفی می کند. از طریق تفاوت حاصل از رویکرد های یادگیری مبتنی بر خبر که هر دو وابستگی عمیقی به برچسب یا به ریخت و صورت غیر وابسته به زمان استخراج کردن فرضیات را انجام می دهد , همچنین خصوصیات توزیع گوسی  ,سیستم  STUM  از رابطه زمان ورود به دفترچه راهنما ویژگی شکل گیری فضا درون و از طریق شرط استفاده می کند. این حقیقت که STUM از طریق وظایف کوچک متنوعی ممکن است این روش را در جایگاه فرا-یادگیری قرار دهد. از طریق تفاوت موجود در رویکردهای فرا –یادگیری, وظایف فراگیری STUM درون و از طریق شرط های چندگانه بر اساس نشانگر زمان که با جریان داده IOT ترکیب شده است. در یک فراگیری یا یادگیری سمعی بصری به عنوان مثال ارائه داد, زیرا چهارچوب های بصری به صورت پی در پی معمولا شامل شی مشابه است, این رویکرد یک راه واحد برای سازماندهی ریخت ها و ویژگی ها از طریق همان شی با هم  تدارک می بیند.روش مشابه نیز می تواند شی بصری را با نام گذاری شی سازماندهی کند آن هم اگر نام بیان شده با شی و در محدوده زمانی مشابه ارائه شده باشد. سازمان دهی ریخت این حالت متقابل ممکن است علاوه بر کمک به سازمان دهی ریخت ها یا ترکیب های بصری که به تنهایی مشابه با اشیا است اما در مکان و زمان متفاوت به دست آمده نیز کمک کند. نتایج امیدبخش از طریق ارزیابی ها  به دست آمده اند.