Since context describes the current

Since context describes the current status of a user in terms of location, activity, and surroundings, there is a need to model the context’s attributes efficiently by reducing the dimensionality space. Li et al. proposed a hybrid process combining activity classification with a subspace clustering approach in order to analyze high dimensional and heterogeneous synthetic context data. Subspace clustering merges clusters from different dimensions based on the data objects they share; thus, complexity time can grow significantly when the number of dimensions is much higher. In our approach, which was empirically tested with realworld sensor data, we aimed to learn these relations by unsupervised techniques such as PCA and deep learning, which is linear to the amount of contextual features and allows diversity in the learned patterns.

ผลลัพธ์ (ไทย) 1:

เนื่องจากบริบทอธิบายสถานะปัจจุบันของผู้ใช้ในแง่ของสถานที่ กิจกรรม และสภาพแวดล้อม มีความจำเป็นต้องการแอตทริบิวต์ของบริบทได้อย่างมีประสิทธิภาพ โดยการลดช่องว่างของมิติ Li et al.นำเสนอกระบวนการผสมรวมประเภทกิจกรรม มี subspace ที่ clustering วิธีเพื่อวิเคราะห์ข้อมูลสูงมิติ และ heterogeneous สังเคราะห์บริบท Subspace clustering clusters เวียนจากมิติต่าง ๆ ที่อิงวัตถุข้อมูลที่พวกเขาแบ่งปัน ดังนั้น ความซับซ้อนเวลาสามารถเติบโตอย่างมีนัยสำคัญเมื่อจำนวนของมิติที่จะสูง ในวิธีการของเรา ที่ได้รับเชิงประสบการณ์ด้วยทดสอบกับข้อมูลเซ็นเซอร์ realworld เรามุ่งที่จะเรียนรู้ความสัมพันธ์เหล่านี้ โดยเทคนิคคอยกำกับเช่น PCA และเรียนลึก ซึ่งเป็นเชิงปริมาณของคุณสมบัติตามบริบท และช่วยให้ความหลากหลายในรูปแบบการเรียนรู้

ผลลัพธ์ (ไทย) 2:

เนื่องจากบริบทอธิบายถึงสถานะปัจจุบันของผู้ใช้ในแง่ของสถานที่, กิจกรรมและสภาพแวดล้อมที่มีความจำเป็นในการจำลองคุณลักษณะบริบทของอย่างมีประสิทธิภาพโดยการลดพื้นที่มิติ Li et al, เสนอกระบวนการไฮบริดรวมการจัดหมวดหมู่กิจกรรมด้วยวิธีการสเปซจัดกลุ่มในการวิเคราะห์มิติที่แตกต่างกันและข้อมูลบริบทสังเคราะห์สูง สเปซจัดกลุ่มดังกล่าวกลุ่มจากมิติที่แตกต่างกันขึ้นอยู่กับวัตถุข้อมูลที่พวกเขาร่วมกัน; ดังนั้นเวลาที่ซับซ้อนสามารถเจริญเติบโตได้อย่างมีนัยสำคัญเมื่อจำนวนของมิติมากขึ้น ในแนวทางของเราซึ่งได้รับการทดสอบสังเกตุกับข้อมูลเซ็นเซอร์ RealWorld เรามีวัตถุประสงค์เพื่อเรียนรู้ความสัมพันธ์เหล่านี้โดยใช้เทคนิคใกล้ชิดเช่น PCA และการเรียนรู้ลึกซึ่งเป็นเส้นตรงกับจำนวนของคุณสมบัติตามบริบทและช่วยให้ความหลากหลายในรูปแบบการเรียนรู้