SenseGAN

La reciente proliferación de dispositivos del Internet de las Cosas (IoT) con capacidades de computación y detección mejoradas ha revolucionado nuestra vida cotidiana. Los enormes datos de estos dispositivos ubicuos motivan la creación de sistemas IoT inteligentes que pueden aprender colectivamente. Sin embargo, etiquetar datos con fines de aprendizaje es extremadamente laborioso, lo que dificulta en gran medida el despliegue. En este documento, describimos un marco de aprendizaje profundo semi-supervisado, llamado SenseGAN, que puede aprovechar la abundante información sensorial no etiquetada, minimizando así la necesidad de esfuerzo de etiquetado. SenseGAN entrena conjuntamente tres componentes con un juego adversarial: (i) un clasificador para predecir etiquetas de datos sensoriales de entrada; (ii) un generador para generar muestras de datos sensoriales basadas en las etiquetas de entrada; y (iii) un discriminador para diferenciar la distribución conjunta de datos/etiquetas entre muestras reales y muestras parcialmente generadas por el clasificador o el generador. El clasificador y el generador intentan generar datos/etiquetas falsas que puedan engañar al discriminador. El juego adversarial entre los tres componentes puede impulsar mutuamente su rendimiento, lo que ayuda al clasificador a aprender a predecir etiquetas correctas con datos no etiquetados a cambio. SenseGAN puede manejar de manera efectiva entradas sensoriales multimodales y estabilizar fácilmente el proceso de entrenamiento adversarial, lo que ayuda a mejorar el rendimiento del clasificador. Experimentos en tres aplicaciones IoT demuestran las mejoras sustanciales en precisión y puntaje F1 bajo SenseGAN, en comparación con contrapartes supervisadas entrenadas solo con la porción etiquetada de los datos, así como otras líneas base supervisadas y semi-supervisadas. Para estas tres aplicaciones, SenseGAN requiere solo el 10% de los datos etiquetados originalmente, para alcanzar casi la misma precisión que un clasificador de aprendizaje profundo entrenado en el conjunto de datos completamente etiquetado.