UbiComp 2018 / ISWC 2018 日本語ツイート＋αまとめ
-
hariktriam
- 4842
- 4
- 0
- 57
-
- いいね！57
S33: All things learning
Takahiro Miura
@hariktriam
S33: ALL THINGS LEARNINGを聴講 ubicomp.org/ubicomp2018/pr…
2018-10-11 14:59:28
Takahiro Miura
@hariktriam
V.Srinivasanら：RuleSelector: Selecting Conditional Action Rules from User Behavior Patterns dl.acm.org/citation.cfm?i… IFTTTでのルール設定に限界があるのでルール生成・選択をするシステムを開発．よく使われるContext itemsetsを抽出（充電時で1981件）⇒候補ルール生成（202件）⇒
2018-10-11 15:09:46
Takahiro Miura
@hariktriam
続）アクションとの親和性を考慮して絞り込み（5件）． 生成されるルールは閾値でどのように変化するか？⇒積み上げグラフっぽい結果．別途ルールの要約が必要． 本手法によるルール要約は効果的？：他手法より収束（表現的に正しいか自信ない）が早いので効果的 ユーザスタディ：10人が56ルールを保存
2018-10-11 15:12:27
Takahiro Miura
@hariktriam
続）利用者は効果的と回答．リマインダと通知に関するルールがよく使われた．ユーザ個々人は，自身の使い方に応じて閾値を変更していた．
2018-10-11 15:17:12
Takahiro Miura
@hariktriam
続）キーデザイン： User in the loop，閾値でルール絞り込み，ルールはあまり多く提示しない，短期間・長期間の両ルールを提示，緊急時を想定した作り，コンテクスト設定，プライバシーを考慮
2018-10-11 15:18:43
Takahiro Miura
@hariktriam
S.Yaoら：SenseGAN: Enabling Deep Learning for Internet of Things with a Semi-Supervised Framework dl.acm.org/citation.cfm?i… ラベル無しデータを利用した敵対的生成ネットワーク．IoTセンサのマルチモーダルなデータを想定．
2018-10-11 15:32:32
Takahiro Miura
@hariktriam
続）加速度・ジャイロセンサのデータから行動認識，ユーザ認識，Wi-Fi信号を使ったジェスチャ認識でフレームワークを評価．提案手法であるSenseGANが学習データ数が少ない段階から多くなっても最も精度が高い結果となった．ただし，学習データが増えると彼らの以前の手法DeepSenseと変わらない精度に．
2018-10-11 15:36:02
Takahiro Miura
@hariktriam
続）ラベルが付けられていないデータが増えると精度が向上した（これ私の理解が怪しいのでPaper側を要確認）． ランダムフォレストなどよりかかる時間は短いもの（SVMと比べると長い）の，消費電力はどの機械学習手法と比べても概して大きい
2018-10-11 15:40:27
Takahiro Miura
@hariktriam
N.Banovicら：Warming Up to Cold Start Personalization dl.acm.org/citation.cfm?i… 個別化のための情報を自動学習するフレームワーク．US Census 2013 Public Use microdata setを使って確率グラフィカルモデルを生成．生まれた場所，引越し場所，年齢，性別等々などを学習．
2018-10-11 15:59:12
Takahiro Miura
@hariktriam
続）別なデータセットで評価．172データセットで精度評価．学習方法ごとに勤務場所，移動方法，子供の有無などは高い精度で認識でした一方で，収入や性別などはあまり正しく判定できなかった． あまり理解できてない模様．
2018-10-11 16:01:57
Takahiro Miura
@hariktriam
S.Yaoら：RDeepSense: Reliable Deep Mobile Computing Models with Uncertainty Estimations dl.acm.org/citation.cfm?i… Dropout training（Overfitの回避らしい：en.wikipedia.org/wiki/Dropout_(…），Proper Scoring Rules，Predictive uncertainty with single runの取扱ができるフレームワークRDeepSense．
2018-10-11 16:14:57
Takahiro Miura
@hariktriam
続）様々な課題で，各種手法とRDeepSenseを比較すると，UncertaintyのEstimationがより正しく出来た．また消費電力も少なくなった． 先程のSenseGANを開発したグループの発表． 良い機械学習の手法を提案したという話以上には，大まかな所以上は，私には全然分かってないです…．
2018-10-11 16:20:03
Takahiro Miura
@hariktriam
J.Tanら：Cooperative Target Tracking and Signal Propagation Learning Using Mobile Sensors dl.acm.org/citation.cfm?i… ターゲットであるRFタグの認識に当たり，複数の移動するモバイルセンサのデータを組合せて認識．信号強度のマトリクス（RSS）にパーティクルフィルタを混ぜたもので学習．
2018-10-11 16:35:29S35: Speech, text, touch, and sound
Takahiro Miura
@hariktriam
S35: SPEECH, TEXT, TOUCH, AND SOUNDを聴講． ubicomp.org/ubicomp2018/pr…
2018-10-11 17:00:24
Takahiro Miura
@hariktriam
D.Buschekら：A Comparative Evaluation of Spatial Targeting Behaviour Patterns for Finger and Stylus Tapping on Mobile Touchscreen Devices dl.acm.org/citation.cfm?i… タッチスクリーン端末における人差し指/スタイラス(太/細/細+カーソル表示)の入力時の振る舞いパタンを歩行時/静止時で比較．
2018-10-11 17:05:55
Takahiro Miura
@hariktriam
続）RMSEを見ると，基本的に座っている時の方が精度が高い．GP modelでオフセット位置を学習させると精度が上がる．入力方法別に2回ほど繰り返した際，他のデバイスで入力後に指で入力すると改善が合ったが，先に指で入力した場合，他のデバイスでの入力精度が下がった（指⇒指は改善）．
2018-10-11 17:09:11
Takahiro Miura
@hariktriam
続）横オフセットは指で最も大きいが，座っているときの方が大きく左側ほど大きくなる．太めのスタイラスが最も横オフセットが小さい．先が細いスタイラスでオフセット分布パタンが多少異なる． Insights： オフセット分布モデルを考慮して入力支援をすると特に指で入力誤差が減らせる．
2018-10-11 17:13:51
Takahiro Miura
@hariktriam
続）スタイラスの太さも一要素．太さによってオフセットパタンに違いがある． Takeaway：タッチスクリーン端末での入力の際に単に精度を見るだけでなく，オフセットのモデリングをするのを検討すべき．
2018-10-11 17:15:06
Takahiro Miura
@hariktriam
A.Clayphanら：Comparing a Single-Touch Whiteboard and a Multi-Touch Tabletop for Collaboration in School Museum Visits dl.acm.org/citation.cfm?i… 博物館での協調学習をシングルタッチ可能なホワイトボードとマルチタッチ可能なテーブルトップでb/w-subjectデザインで比較．
2018-10-11 17:28:19
Takahiro Miura
@hariktriam
続）ポスタのクオリティの比較．提示されたポスタが満たすべき要件を，ホワイトボードでは全グループが満たせたが，テーブルトップでは3/6グループしか満たせなかった．既存研究と逆の結果． ただ，ホワイトボード群では活動的なサブグループと分業が進んでいたり，一部が全く作業してないケースも．
2018-10-11 17:31:39
Takahiro Miura
@hariktriam
続）テーブルトップ群では分業や一部が作業に参加しないケースはなかった．ホワイトボード群は作業に集中していたが，テーブルトップ群では多少遊んでいるものも．ホワイトボード群では個々人で作業を進めようとし，テーブルトップ群ではメンバ内の多くが主導権を握ろうとしていた．
2018-10-11 17:33:38