MARC

 008250123s2024        us                              c    eng  d
■001000017161462
■00520250211151359
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798383191347
■035    ▼a(MiAaPQ)AAI31244163
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aZhang,  Xiyuan.
■24510▼aUnifying  Physics  and  Semantics  for  Robust  Sensor  Time  Series  Analysis
■260    ▼a[Sl]▼bUniversity  of  California,  San  Diego▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a210  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-01,  Section:  B.
■500    ▼aAdvisor:  Gupta,  Rajesh  K.;Shang,  Jingbo.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  San  Diego,  2024.
■520    ▼aThe  past  decade  has  witnessed  a  significant  growth  of  deployed  sensors  in  our  daily  life,  covering  applications  from  healthcare,  climate  modeling  to  home  automation  and  robotics.  These  sensors  collect  abundant  time  series  data,  which  facilitate  our  understanding  of  various  real-life  processes.  However,  the  inherent  instability  of  these  sensors,  combined  with  the  dynamic  environments  in  which  they  operate,  often  results  in  the  collection  of  data  that  is  noisy,  sparse,  insufficient  and  varied.  This  presents  a  significant  contrast  to  the  data  typically  encountered  in  other  domains  such  as  computer  vision  and  natural  language  processing.  Consequently,  current  data-driven  models  trained  under  controlled  experimental  settings  often  fall  short  of  their  value  in  accurate  inferencing  and  analyses.  To  address  these  limitations,  we  propose  to  bridge  the  inherent  physical  contextual  knowledge  and  external  semantic  contextual  knowledge  of  sensor  time  series  to  build  a  more  robust  analysis  framework  for  sensor  data.  Specifically,  we  first  exploit  the  inherent  physics  principles  underlying  time  series  data  -  ranging  from  mathematical  models,  spatio-temporal  correlations  to  spectral  properties  -  as  inherent  contextual  knowledge.  We  leverage  such  physics  knowledge  to  refine  raw  sensor  time  series  and  enhance  data  quality  through  denoising,  imputation  and  augmentation.  Additionally,  sensor  time  series  are  often  accompanied  with  external  label  names  or  metadata  presented  as  text.  Therefore,  we  build  upon  the  recent  advances  in  language  modeling,  to  incorporate  external  semantic  contextual  knowledge  from  large  language  models  or  pre-train  our  own  domain-specific  foundation  models.  Such  semantic  knowledge  further  enriches  sensor  time  series  understanding  and  increases  cross-domain  robustness.  Our  framework  is  robust  and  demonstrates  state-of-the-art  performance  in  multiple  tasks  such  as  recognition,  forecasting  and  navigation  across  sensing  systems  of  various  scales,  from  small-scale  personal  healthcare  monitoring,  smart  home  automation,  to  large-scale  smart  building  control,  energy  management,  climate  modeling  and  beyond.
■590    ▼aSchool  code:  0033.
■650  4▼aComputer  science
■650  4▼aInformation  technology
■650  4▼aRobotics
■653    ▼aSensors
■653    ▼aTime  series  data
■653    ▼aEnergy  management
■653    ▼aHome  automation
■653    ▼aClimate  modeling
■690    ▼a0984
■690    ▼a0489
■690    ▼a0800
■690    ▼a0771
■71020▼aUniversity  of  California,  San  Diego▼bComputer  Science  and  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g86-01B.
■790    ▼a0033
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17161462▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서