Key points are not available for this paper at this time.
Der Umweltkontext eines mobilen Geräts bestimmt, wie es verwendet wird und wie das Gerät operationen für höhere Effizienz und Benutzerfreundlichkeit optimieren kann. Wir betrachten das Problem, zu erkennen, ob ein Gerät drinnen oder draußen ist. Zu diesem Zweck präsentieren wir eine allgemeine Methode, die halbüberwachtes maschinelles Lernen verwendet und nur die leichten Sensoren eines Smartphones nutzt. Wir stellen fest, dass eine bestimmte Methode des halbüberwachten Lernens, die Co-Training genannt wird und entsprechend ausgelegt ist, am effektivsten ist. Sie kann automatisch Eigenschaften neuer Umgebungen und Geräte lernen und erreicht dabei eine Erkennungsgenauigkeit von über 90%, selbst unter unbekannten Bedingungen. Sie kann online und in Echtzeit lernen und sich anpassen, und das zu moderaten Rechenkosten. Daher ist die Methode für das Lernen auf dem Gerät geeignet. Die Implementierung des Indoor-Outdoor-Erkennungsdienstes basierend auf unserer Methode ist energieeffizient - sie kann im Standby-Modus schlafen, wenn sie nicht verwendet wird, und muss den Gerätezustand nicht kontinuierlich verfolgen. Es wird gezeigt, dass sie bestehende Indoor-Outdoor-Erkennungstechniken, die auf statischen Algorithmen oder GPS basieren, hinsichtlich Genauigkeit und Energieeffizienz übertrifft.
Radu et al. (Mon,) untersuchten diese Frage.