Abstract
Het in kaart brengen van locaties is een speciaal geval van het probleem met omgekeerde geocodering. Op basis van de gps-coördinaten van de gebruiker, eennauwkeurigheidsradius en een lijst met locaties binnen die straal, willen we afleiden welke locatie de gebruikersbezoek. Helaas beperkt ruis in het signaal, en vooral in dichtbevolkte stedelijke gebieden, ons vermogen om bevredigende resultaten te bereiken. Uit onderzoek blijkt dat het mogelijk is om de resultaten te verbeteren door temporele kenne en gedragskennis te incorporeren in het venue mapping-model. Als bedrijf gespecialiseerd in het analyseren van sensorgegevens, zoals versnellingsmeter, gyroscoop en gps, vanaf mobiele apparaten, heeft Sentiance een enorme hoeveelheid gegevens van duizenden gebruikers. Een open vraag is hoe de data te gebruiken zodat het model volledig datagedreven kan worden getraind. Handmatig regels maken of
het labelen van miljoenen locaties is geen optie en zou niet resulteren in een schaalbare, toekomstbestendige oplossing.
Door het gebrek aan gelabelde gegevens, hebben we de nieuwste prestaties in Deep self-supervised bestudeerd om zo een model te ontwerpen dat in staat zou zijn om autonoom de interne patronen bloot te leggen in de beschikbaar iet-gelabelde gegevens. Om rijke generalisatiemogelijkheden van ons model te garanderen, hebben we gezocht naar manieren om meer kennis in ons model op te nemen door middel van openbaar beschikbare data en transfer learning. Ondanks het feit dat dergelijke datasets bestaan, stonden we voor een ander probleem: het formaat van de data is zo verschillend van onze interne data waardoor geen van de bestaande Transfer Learning
technieken kunnen direct worden toegepast. Om deze uitdaging aan te gaan, hebben we tenslotte de velden van multimodaal en multi-task leren bestudeerd. In dit project stellen we voor om een serie Deep Learning modellen te trainen met een nieuwe architectuur die zouden resulteren in een nieuwe state-of-the-art oplossing voor het locatie mapping probleem.
Onderzoeker(s)
Onderzoeksgroep(en)
Project type(s)