FM_ZSL_IoT
1.0.0
يتم نشر نماذج التعلم العميقة بشكل متزايد على أجهزة إنترنت الأشياء (IoT). ومع ذلك ، فإن هذه النماذج تعمل عادة في ظل ظروف خاضعة للإشراف وتفشل في التعرف على الطبقات غير المرئية المختلفة عن التدريب. لمعالجة هذا ، يهدف التعلم الصفري (ZSL) إلى تصنيف بيانات الفصول غير المرئية بمساعدة المعلومات الدلالية. أظهرت نماذج الأساس (FMS) التي تم تدريبها على البيانات على نطاق الويب قدرة ZSL المثيرة للإعجاب في معالجة اللغة الطبيعية والفهم البصري. ومع ذلك ، فإن الاستفادة من المعرفة المعممة لـ FMS لاستشعار IoT صفريًا باستخدام إشارات مثل MMWAVE و IMU و Wi-Fi لم يتم التحقيق فيها بالكامل. في هذا العمل ، نقوم بمحاذاة تضمينات بيانات إنترنت الأشياء مع التضمينات الدلالية التي تم إنشاؤها بواسطة تشفير نص FM من أجل استشعار IoT الصفر. لاستخدام مبادئ الفيزياء التي تحكم توليد إشارات مستشعر IoT لاستخلاص مطالبات أكثر فاعلية لاستخراج التضمين الدلالي ، نقترح استخدام الالتحاق المتبادل لدمج مطالبة ناعمة يمكن التعلم والتي يتم تحسينها تلقائيًا على بيانات التدريب ومطالبة صلبة مساعدة تشفر معرفة المجال بمهمة استشعار IoT. لمعالجة مشكلة التحيز في إنترنت الأشياء في الطبقات التي شوهدت بسبب عدم وجود بيانات فئة غير مرئية أثناء التدريب ، نقترح استخدام زيادة البيانات لتجميع بيانات IoT من الدرجة غير المرئية لضبط استخراج ميزة IoT وتضمين جهاز العرض. نقوم بتقييم نهجنا على مهام استشعار إنترنت الأشياء المتعددة. تظهر النتائج أن نهجنا يحقق اكتشافًا مفتوحًا متفوقًا وأداء التعلم المعمم الصفري مقارنةً بمختلف خطوط الأساس.
pip install -r requirements.txtdataset_path في ./settings/USC.yaml كمسار دليل USC-HAD الخاص بك (حذف *.m و *.txt في القائمة الأولى للدليل مقدمًا).Protocol Dataset PAMAP2 ، قم بتغيير dataset_path في ./settings/pamap.yaml كمسار Protocol خاص بك.filtered_mmwave الرسمية للتدريب والاختبار. قم بتغيير dataset_path في ./settings/mmwave.yaml كمسار دليل filtered_mmwave الخاص بك.TBD python main . py - - config_choose < dataset_config > python main . py - - config_choose < dataset_config > - - back_up_path < path_to_saved_log_or_data >./logs python main . py - - config_choose < dataset_config > - - back_up_path < path_to_saved_log_or_data > - - test_model_path < path_to_saved_model > # Train local model first (back_up_path use the same data as the previous trained foundation model)
python main_sup . py - - config_choose < dataset_config > - - back_up_path < path_to_saved_log_or_data >
# Inference local + foundation model
python main . py - - config_choose < dataset_config > - - back_up_path < path_to_saved_log_or_data > - - test_model_path < path_to_saved_fm_model > - - local_model_path < path_to_saved_local_model >
