Please use this identifier to cite or link to this item:
http://hdl.handle.net/1843/65408
Full metadata record
DC Field | Value | Language |
---|---|---|
dc.contributor.advisor1 | Daniel Fernandes Macedo | pt_BR |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/8758395845049687 | pt_BR |
dc.contributor.referee1 | Jose Marcos Silva Nogueira | pt_BR |
dc.contributor.referee2 | Luiz Henrique Andrade Correia | pt_BR |
dc.contributor.referee3 | Alex Borges Vieira | pt_BR |
dc.creator | Álvaro Antônio Fonseca de Souza | pt_BR |
dc.creator.Lattes | http://lattes.cnpq.br/5602115326412417 | pt_BR |
dc.date.accessioned | 2024-03-06T22:17:15Z | - |
dc.date.available | 2024-03-06T22:17:15Z | - |
dc.date.issued | 2023-12-15 | - |
dc.identifier.uri | http://hdl.handle.net/1843/65408 | - |
dc.description.abstract | Predicting personalized comfort in smart environments can be very beneficial for its users. For example, personalized smart offices can improve the well-being and work performance by optimizing the users' sense of comfort. However, in order to generate comfort prediction models, traditional machine learning algorithms require an amount of labeled data that is expensive in terms of time and financial resources. Smart environments typically generate a low amount of data in an acceptable period of time, and this problem becomes worse with the personalization of comfort. Personalization requires the collection of individual user data, facing problems of user availability and willingness to provide the requested data. Our proposal applies knowledge transfer with fine-tuning to reduce the learning time of a personalized intelligent environment. This technique allows models pre-trained on other tasks to transfer the knowledge obtained to a new task. Our evaluation we performed with three different data sets. The results showed that knowledge transfer improves the performance of a model when compared to training without knowledge transfer. The improvement ranged from 2.24% to 14.82%, with the average improvement being 7.93% across all combinations of target and source users. | pt_BR |
dc.description.resumo | A predição de conforto personalizado em ambientes inteligentes pode ser muito benéfica para seus usuários. A exemplo, escritórios inteligentes personalizados podem proporcionar um maior bem-estar e maior desempenho laboral ao otimizar a sensação de conforto dos usuários. No entanto, para a geração de modelos de predição de conforto, algoritmos de aprendizado de máquina tradicionais requerem uma quantidade de dados rotulados cara em termos de tempo e recursos. Ambientes inteligentes normalmente geram uma quantidade baixa de dados em um período aceitável de tempo, e este problema se agrava com a personalização do conforto. Esta requer coleta consciente de dados individuais do usuário, esbarrando em problemas de indisponibilidade e assiduidade do usuário em fornecer os dados solicitados. A nossa proposta aplica a transferência de conhecimento com ajuste fino para reduzir o tempo de aprendizado de um ambiente inteligente personalizado. Essa técnica permite que modelos pré-treinados em outras tarefas transfiram o conhecimento obtido para uma nova tarefa. Os resultados mostraram que a transferência de conhecimento melhora o desempenho inicial de um modelo em comparação com o treinamento sem a transferência de conhecimento. Os resultados mostraram uma melhoria na acurácia em relação aos modelos sem transferência de conhecimento. A melhoria variou de 2,24% a 14,82%, sendo a melhoria média de 7,93% em todas as combinações de usuários alvo e fonte. | pt_BR |
dc.description.sponsorship | CNPq - Conselho Nacional de Desenvolvimento Científico e Tecnológico | pt_BR |
dc.description.sponsorship | FAPEMIG - Fundação de Amparo à Pesquisa do Estado de Minas Gerais | pt_BR |
dc.description.sponsorship | CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior | pt_BR |
dc.language | por | pt_BR |
dc.publisher | Universidade Federal de Minas Gerais | pt_BR |
dc.publisher.country | Brasil | pt_BR |
dc.publisher.department | ICX - DEPARTAMENTO DE CIÊNCIA DA COMPUTAÇÃO | pt_BR |
dc.publisher.program | Programa de Pós-Graduação em Ciência da Computação | pt_BR |
dc.publisher.initials | UFMG | pt_BR |
dc.rights | Acesso Aberto | pt_BR |
dc.rights.uri | http://creativecommons.org/licenses/by-nd/3.0/pt/ | * |
dc.subject | Conforto Personalizado | pt_BR |
dc.subject | Ambientes Inteligentes | pt_BR |
dc.subject | Aprendizado de Máquina | pt_BR |
dc.subject | Redes Neurais Artificiais | pt_BR |
dc.subject | Algoritmo de Predição | pt_BR |
dc.subject | Transferência de conhecimento | pt_BR |
dc.subject | Ajuste Fino | pt_BR |
dc.subject.other | Computação – Teses | pt_BR |
dc.subject.other | Aprendizado do computador – Teses | pt_BR |
dc.subject.other | Redes neurais (Computação) – Teses | pt_BR |
dc.subject.other | Algoritmos de predição – Teses | pt_BR |
dc.subject.other | Transferência do conhecimento – Teses | pt_BR |
dc.title | Personalização de conforto em ambientes inteligentes por transferência de conhecimento em aprendizado profundo | pt_BR |
dc.title.alternative | Personalization of comfort in smart environments by knowledge transfer in deep learning | pt_BR |
dc.type | Dissertação | pt_BR |
Appears in Collections: | Dissertações de Mestrado |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
Personalização de Conforto em Ambientes Inteligentes por Transferência de Conhecimento em Aprendizado Profundo.pdf | 4.54 MB | Adobe PDF | View/Open |
This item is licensed under a Creative Commons License