모바일 센싱을 위한 긴 시퀀스 디코더 네트워크

센서 측정이 제한적일 때 공간-시간 패턴의 재구성과 추정은 상당한 도전 과제를 제기합니다. 모바일 센서를 사용하면 시간의 경과에 따라 센서 위치가 변하기 때문에 추가적인 복잡성이 발생합니다. 이러한 경우, 역사적 측정 및 센서 정보는 칼만 필터, 순환 신경망(RNN) 또는 변환기 모델과 같은 모델을 포함하여 더 나은 성능을 위해 유용합니다. 그러나 이러한 접근 방식 중 다수는 이러한 시나리오에서 긴 데이터 시퀀스를 효율적으로 처리하지 못하고 노이즈에 민감합니다. 본 논문에서는 전통적인 시퀀스 모델에서 깊은 학습 레이어로 구조화된 상태 공간 시퀀스(S4D) 모델을 사용하는 모델 없는 접근 방식을 고려하여 역사적 센서 데이터의 더 나은 표현을 학습합니다. 구체적으로, 고차원 상태 공간의 재구성을 위해 얕은 디코더 네트워크와 통합됩니다. 또한 입력의 노이즈를 줄이기 위해 버터워스 필터 설계를 사용한 S4D 모델의 새로운 초기화를 소개합니다. 그 결과, 원본 S4D 구조 앞에 필터링 S4D 레이어를 추가하여 강력한 S4D(rS4D) 모델을 구성합니다. 이 강력한 변형은 장기 시퀀스에서 노이즈가 있는 모바일 센서 측정으로 정확한 공간-시간 패턴을 재구성하는 능력을 향상시킵니다. 수치 실험은 우리 모델이 이전 접근 방식에 비해 더 나은 성능을 달성함을 보여줍니다. 우리의 결과는 제한된 모바일 센서 자원을 사용하여 공간-시간 데이터 재구성 및 추정의 맥락에서 상태 공간 모델의 효능을 강조합니다. 특히 긴 시퀀스 의존성 및 노이즈에 대한 강인성 측면에서 그렇습니다.