Artykuł metodologiczny

Systemy inteligentnych mebli sterowanych przez Internet Rzeczy dla personalizacji zorientowanej na człowieka: Ocena eksperymentalna z wykorzystaniem danych z czujników behawioralnych

DOI:

10.3791/70084

⸱

12 czerwca 2026

1C'est La Vie Interior Decoration Design (Tianjin) Co., Ltd.

W tym artykule

Podsumowanie

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

To badanie prezentuje inteligentny system mebli, który wykorzystuje głębokie wzmocnienie i nauczanie meta-federacyjne do personalizacji doświadczeń użytkowników w czasie rzeczywistym. Modelując zachowanie użytkowników jako sekwencyjny proces decyzyjny, zmniejsza dyskomfort o 43% i zużycie energii o 21%, zachowując prywatność. Wyniki pokazują solidną, responsywną ramę, nadającą się do zdrowotnie świadomych miejsc pracy i inteligentnych domów.

Streszczenie

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Niniejszy artykuł przedstawia zaawansowany system mebli inteligentnych sterowanych przez Internet rzeczy (IoT), zaprojektowany w celu dynamicznego dostosowywania się do indywidualnych użytkowników poprzez integrację głębokiego uczenia się wzmacniającego z uczeniem się meta-federacyjnym. Personalizacja jest formułowana jako proces decyzji Markowa, umożliwiający systemowi dokonywanie zoptymalizowanych, sekwencyjnych korekt dostosowanych do zachowania każdego użytkownika. Aby estymować ukryte preferencje ergonomiczne w czasie rzeczywistym, stosowany jest adaptacyjny filtr Kalmana, podczas gdy gęsty autoenkoder zmniejsza surowce sygnały czujników o 82%, zachowując kluczowe cechy czasowe niezbędne do dokładnego modelowania. W kompleksowym badaniu użytkowników z udziałem 48 osób i ponad 160 000 próbek czasowych czujników, framework znacząco zmniejszył skumulowane niezadowolenie użytkowników o 43% i zmniejszył zużycie energii o 21%, w porównaniu z konwencjonalnymi systemami sterowania opartymi na regułach. Adaptacje w czasie rzeczywistym następują ze średnim opóźnieniem 280 ms, a ograniczenia ergonomiczne są przestrzegane w 95% przypadków użycia, co potwierdza, że system działa szybko i bezpiecznie. Uczenie się federacyjne (FL) umożliwia prywatność i współpracę w zakresie rozproszonych mebli. Trening zbiega do 87% globalnej wydajności w ciągu 30 globalnych iteracji, bez wymiany surowców danych, wzmacniając skalowalność i prywatność danych. Te empiryczne wyniki mocno wspierają przydatność frameworku do wdrożenia w zdrowotnie świadomych przestrzeniach pracy, inteligentnych domach i środowiskach opieki nad osobami starszymi, dostarczając trwałe, responsywne i interpretowalne rozwiązanie dla wzbogacania interakcji człowiek-meble.

Wprowadzenie

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Internet rzeczy (IoT) umożliwił integrację sensoryki, obliczeń i sterowania z otoczeniem fizycznym, wspierając adaptacyjne systemy zdolne do interakcji z uwzględnieniem kontekstu i podejmowania decyzji w czasie rzeczywistym1,2,3 W ramach tego paradygmatu, inteligentne systemy meblowe zawierają czujniki ciśnienia, jednostki pomiaru bezwładności, monitory środowiskowe, mikrokontrolery, bezprzewodowe moduły komunikacyjne i algorytmy sztucznej inteligencji, aby monitorować postawę, warunki środowiskowe i wzorce interakcji4. W przeciwieństwie do konwencjonalnego sprzętu ergonomicznego, systemy te mają na celu umożliwienie ciągłej personalizacji poprzez modelowanie zachowań oparte na danych i mechanizmy adaptacyjnej opinii zwrotnej5,6.

Rosnące zainteresowanie modelami pracy hybrydowej, siedzącym trybowi życia i starzejącymi się populacjami zwiększyło zainteresowanie badaniami ergonomicznie responsywnych mebli, które mogą wspierać komfort, produktywność i monitorowanie zdrowia7,8,9,10. Platformy inteligentnych mebli były badane w kontekście mieszkaniowym, biurowym, opieki zdrowotnej i edukacyjnym, gdzie wbudowana inteligencja pozwala meblom funkcjonować jako interaktywny interfejs między użytkownikami a ich otoczeniem11,12. Ostatnie badania dotyczyły uczenia się wzmacniającego i uczenia się zdecentralizowanego w celu adaptacyjnej personalizacji w systemach rozproszonych13,14,15. Metody uczenia się wzmacniającego zachowujące prywatność dla aplikacji włączonych przez IoT wskazały na kompromis między adaptacyjnością a ochroną danych13. Ramy uczenia się zdecentralizowanego w komputerach brzegowych rozwiązały wyzwania związane z efektywnością komunikacji i zdecentralizowaną optymalizacją14. Głębokie uczenie się wzmacniające wykazało skuteczność w cyfrowych usługach personalizacji15. Jednak większość wcześniejszych prac koncentrowała się na wirtualnych platformach usługowych, a nie na wcielonych systemach fizycznych, takich jak inteligentne meble16.

Fizyczne środowiska inteligentnych mebli wprowadzają dodatkowe ograniczenia, w tym dynamikę aktuatorów, wymagania dotyczące bezpieczeństwa mechanicznego, ograniczenia zużycia energii, szum czujników, ograniczenia opóźnienia i złożoność interakcji wielu użytkowników17. Na przykład inteligentne krzesła monitorujące postawę i inteligentne łóżka śledzące sen muszą integrować sensorykę biomechaniczną z mechanizmami koordynacji środowiskowej, takimi jak systemy ogrzewania, wentylacji i klimatyzacji (HVAC)18. Personalizacja w tych kontekstach wymaga zatem dynamicznego modelowania fizjologicznych, behawioralnych i środowiskowych sygnałów, a nie statycznego mapowania preferencji19,20.

Wbudowane sensory IoT zintegrowane ze składowymi konstrukcyjnymi, takimi jak poduszki na siedziska, podłokietniki, oparcie i blaty stołowe, mogą rejestrować wielowymiarowe dane szeregowe czasowe, w tym ruch (przyspieszeniomierze, żyroskopy), dystrybucję ciśnienia, pomiary termiczne, kontekst akustyczny i wskaźniki fizjologiczne, takie jak aktywność elektrodermalna (EDA) i zmienność rytmu serca21,22. Wbudowane czujniki działają zgodnie z niskoenergetycznymi standardami bezpieczeństwa konsumentów i emitują tylko nieznaczną niejonizującą radiację elektromagnetyczną. Ich poziomy ekspozycji pozostają znacznie poniżej międzynarodowych progów bezpieczeństwa. Surowe sygnały czujników są zazwyczaj wielowymiarowe, hałaśliwe i zależne od kontekstu23, co wymaga strukturalnego przetwarzania sygnałów, ekstrakcji cech i fuzji czujników w celu zbudowania wiarygodnych reprezentacji stanu użytkownika24.

Metody uczenia się maszynowego, w tym nadzorowana klasyfikacja, nienadzorowana klasteryzacja i głębokie sieci neuronowe, zostały zastosowane do modelowania zachowań w inteligentnych środowiskach25,26. Sieci neuronowe recurrent (RNN) i konwolucyjne (CNN) rejestrują zależności czasowe w ruchu użytkowników, podczas gdy podejścia klasteryzacyjne dzielą użytkowników na grupy behawioralne26. Chociaż techniki te poprawiają rozpoznawanie wzorców, nie optymalizują one z natury sekwencyjnych decyzji kontrolnych w warunkach niepewności. Strategie kontroli oparte na regułach, powszechnie wdrażane w systemach ergonomicznych, mapują progi czujników na wstępnie zdefiniowane akcje, ale nie mają zdolności adaptacyjnego uczenia się27. W rezultacie statyczne mapowanie może nie być w stanie dostosować się do ewoluujących preferencji i zmienności kontekstowej na przestrzeni czasu

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Nieobeczna aprobata etyczna nie była wymagana dla tego badania. Procedury eksperymentalne obejmowały nieinwazyjne ergonomiczne interakcje z prototypowymi jednostkami mebli inteligentnych, bez interwencji medycznej, testów klinicznych lub zbierania identyfikowalnych osobistych informacji o zdrowiu. Wszystkie nagrane dane z czujników zostały anonimizowane przed przechowywaniem i analizą. Uczestnictwo było dobrowolne, a żadne wrażliwe dane lub dane kliniczne nie były zbierane.

1. Przygotowanie sprzętu i systemu

  1. Złożeć jednostkę mebli inteligentnych
    1. Zainstaluj 16-kanałową tablicę czujników ciśnienia pojemnościowego w poduszce siedziska.
    2. Zamontuj 6-osiową jednostkę pomiaru bezwładności (przyspieszeniomierz + żyroskop) na oparciu.
    3. Zainstaluj czujniki temperatury, wilgotności, światła otoczenia i dźwięku.
    4. Zintegruj opcjonalne moduły aktywności elektrodermalnej (EDA) i czujników tętna.
    5. Podłącz wszystkie czujniki do mikrokontrolera ESP32 przez interfejsy I2C/SPI.
  2. Konfiguracja systemu aktywacji
    1. Zainstaluj silniki serwo do regulacji wysokości i pochylenia.
    2. Ustaw zakres regulacji pochylenia na ±15°.
    3. Ustaw zakres regulacji wysokości na 40–70 cm.
    4. Ogranicz wielkość kroku aktywacji do ΔSmax = 2° na cykl aktualizacji.
  3. Konfiguracja platformy obliczeniowej
    1. Zainstaluj Ubuntu 20.04 na NVIDIA Jetson Nano (4 GB RAM) lub odpowiednik.
    2. Zainstaluj Python 3.9.
    3. Zainstaluj PyTorch 1.13, NumPy, SciPy i Scikit-learn.
    4. Włącz przyspieszenie CUDA, jeśli dostępna jest karta graficzna.

2. Pozyskiwanie danych

  1. Konfiguracja próbkowania
    1. Ustaw częstotliwość próbkowania czujników na 20 Hz.
    2. Skoordynuj wszystkie strumienie czujników za pomocą dopasowania znaczników czasowych.
    3. Zapisz dane w formacie CSV.
  2. Przeprowadzanie sesji interakcji
    1. Zwerbuj 48 dorosłych uczestników.
    2. Nagraj 60-minutowe sesje interakcji siedzących na uczestnika.
    3. Zbierz subiektywne wyniki komfortu na 5-stopniowej skali Likerta.
  3. Rozdzielenie zestawu danych
    1. Usuń identyfikatory uczestników.
    2. Podziel zestaw danych na 70% do trenowania, 15% do walidacji i 15% do testowania.

3. Pre-processing danych

  1. Filtrowanie sygnałów
    1. Zastosuj filtr Butterworth nisko przepustowy (częstotliwość cięcia = 5 Hz).
    2. Normalizuj każdy kanał czujnika do zera średniej i jednostkowej wariancji.
  2. Konstrukcja reprezentacji stanu
    1. Scal stan mebli S(t) z wektorem czujników Xi(t).
    2. Segmentuj sygnały za pomocą okien przesuwających się (rozmiar okna = 50 kroków czasowych).

4. Trenowanie gęstego autoenkodera

  1. Definiowanie architektury
    1. Ustaw wymiar wejściowy d.
    2. Ustaw wymiar latentny p = 0,3d.
    3. Użyj aktywacji ReLU.
  2. Trening modelu
    1. Użyj optymalizatora Adam (współczynnik uczenia = 0,001).
    2. Ustaw wielkość partii = 64.
    3. Trening przez 100 epok.
    4. Minimalizowanie straty:
      1. Definiuj LSE  jako funkcję straty gęstego autoenkodera.
      2. Definiuj Równanie 1 jako oryginalną macierz danych wejściowych z czujników.
      3. Definiuj n jako liczbę próbek i d jako liczbę cech czujników.
      4. Definiuj Równanie 2 jako zrekonstruowaną wyjściową wartość wygenerowaną przez sieć dekodera.
      5. Definiuj Równanie 3 jako kwadrat euklidesowej błędu rekonstrukcji.
      6. Definiuj W(1) jako macierz wag pierwszej warstwy enkodera.
      7. Definiuj Równanie 4 jako normę L1 wag enkodera, promującą gęstość w uczonym przedstawieniu.
      8. Definiuj λ > 0 jako współczynnik regularyzacji gęstości kontrolujący kompromis między wiernością rekon

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Hardware integration and system validation
The smart furniture system operated reliably under continuous multimodal sensing and real-time actuation. All sensors streamed synchronized data at 20 Hz without observable packet loss. Mechanical limits were consistently enforced, with tilt constrained to ±15°, height limited to 40–70 cm, and step changes bounded by ΔSmax = 20 per control cycle. Edge inference remained stable throughout prolonged sessions, confirming the feasi...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Niniejsze badanie wykazuje, że hybrydowy rama integrujący uczenie się przez wzmacnianie, adaptacyjne filtrowanie Kalmana, uczenie się reprezentacji rozproszonych i uczenia się meta-federacyjnego może znacznie poprawić personalizację osadzonych w systemach mebli inteligentnych w warunkach czasu rzeczywistego. Na poziomie 48 uczestników, rama osiągnęła 43,2% redukcję skumulowanej niezadowolenia względem kontroli opartej na regułach (p < 0,001) i 21,2% redukcję zużycia energii (p < 0,001), utrzymując średnią opóźnieni...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Autor deklaruje brak konfliktów interesów.

Podziękowania

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Autorzy z wielką wdzięcznością dziękują Wydziałowi Sztuk Pięknych i Wzornictwa, Międzynarodowemu Kolegium, Uniwersytetowi Krirk w Bangkoku, Tajlandia, za zapewnienie wsparcia instytucjonalnego i dostępu do obiektów laboratoryjnych niezbędnych do opracowania i eksperymentalnej walidacji inteligentnych mebli.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
ActuatorsGeneric ManufacturerN/AAdjustments
Adaptive Kalman FilterCustom ImplementationN/AAlgorithm estymacji stanu
Bio-signal (EDA/HRV/Resp.)Generic ManufacturerN/AZarządzanie zdrowiem
ConnectivityGeneric ManufacturerN/ASieciowe połączenie w górę
DDPG (Actor–Critic)OpenAI Baselines / PyTorchDDPG ModuleGłębokie zdeterminowane gradienty polityki RL
Edge MCUGeneric ManufacturerN/ANiskie opóźnienia
Federated LearningGoogle ResearchFedAvg ProtocolMetoda agregacji federacyjnego uśredniania
Federated Meta-LearningCustom / Open-sourceN/AMeta-inicjalizacja minimalizuje meta-stratę
IMU (Accel/Gyro)TDK InvenSenseMPU-60506-osiowy akcelerometr i żyroskop
Light SensorROHM SemiconductorBH1750FVICyfrowy czujnik światła otoczenia
MDP FormulationCustom ImplementationN/AModelowanie procesu decyzyjnego Markowa
MicrophoneAdafruit Industries1713 (MAX9814)Moduł wzmacniacza mikrofonu elektretowego
Pressure MatrixInterlink ElectronicsFSR-400 Series16-kanałowa matryca pojemnościowego czujnika ciśnienia
Sparse Autoencoder (SAE)Meta AIPyTorch 1.13Ramka szkoleniowa sieci neuronowej
Thermal SensorAdafruit Industries385 (DHT22)Cyfrowy czujnik temperatury i wilgotności

Bibliografia

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Abrash, M. Creating the future: augmented reality, the next human-machine interface. Proceedings of the IEEE International Electron Devices Meeting (IEDM), San Francisco, CA, USA, , (2021).
  2. Adhikari, S., Hutaihit, M. A., Chakraborty, M., Mahmood, S. D., Durakovic, B., et al. Analysis of average waiting time and server utilization factor using queueing theory in a cloud computing environment. Int. J. Nonlinear Anal. Appl. 12, 1259-1267 (2021).
  3. Adebisi, J. A., Babatunde, O. M. Selection of wireless communication technologies for embedded devices using multi-criteria approach and expert opinion. Niger. J. Technol. Dev. 19 (4), 373-381 (2022).
  4. Adewumi, A., Liwicki, M., Afzal, M. Z. Towards robust object detection in floor plan images: a data augmentation approach. Appl. Sci. 11 (23), 11174(2021).
  5. Al-Saigh, M. N., Mahmoud, K. F. The impact of smart interactive technologies in creating personal internal spaces: an analytical study of user preferences for interactive shape characteristics. Int. J. Sustain. Dev. Plan. 18 (8), (2023).
  6. Alani, S., Mahmood, S. N., Attaallah, S. Z., Mhmood, H. S., Khudhur, Z. A., et al. IoT based implemented comparison analysis of two well-known network platforms for smart home automation. Int. J. Electr. Comput. Eng. 11 (1), 442-450 (2021).
  7. Asadi, H., Bellmann, T., Mohamed, S., Lim, C. P., Khosravi, A., et al. Adaptive motion cueing algorithm using optimized fuzzy control system for motion simulators. IEEE Trans. Intell. Veh. 8 (1), 390-403 (2022).
  8. Avenoglu, B., Koeman, V. J., Hindriks, K. V. A cloud-based middleware for multi-modal interaction services and applications. J. Ambient Intell. Smart Environ. 14 (6), 455-481 (2022).
  9. Bali, M. S., Gupta, K., Gupta, D., Srivastava, G., Juneja, S., et al. An effective technique to schedule priority aware tasks to offload data on edge and cloud servers. Meas. Sens. 26, 100670(2023).
  10. Barros, F., Valente, A. R., Teixeira, A., Silva, S. Harnessing the role of speech interaction in smart environments towards improved adaptability and health monitoring. Proceedings of the International Conference on Wireless Mobile Communication and Healthcare, Lisbon, Portugal, , (2022).
  11. Bhatia, S., Jaffery, Z. A., Mehfuz, S. A comparative study of wireless communication protocols for use in smart farming framework development. Proceedings of the 3rd International Conference on Intelligent Communication and Computational Techniques (ICCT), Jaipur, India, , (2023).
  12. Bibbo, L., La Foresta, F., Calcagno, S., Genovese, E., Barrile, V. Indoor Navigation: Augmented reality as case studio for cognitive inclusion. WSEAS Trans. Inf. Sci. Appl. 22, 28-44 (2025).
  13. Bunting, M., Bhadani, R., Sprinkle, J. Libpanda: a high-performance library for vehicle data collection. Proceedings of the Workshop on Data-Driven and Intelligent Cyber-Physical Systems, Nashville, TN, USA, , (2021).
  14. Bushkova, T., Moiseeva, S., Moiseev, A., Sztrik, J., Lisovskaya, E., et al. Using infinite-server resource queue with splitting of requests for modeling two-channel data transmission. Methodol. Comput. Appl. Probab. 24, 1753-1772 (2022).
  15. Cajander, Å, Larusdottir, M., Geiser, J. L. UX professionals’ learning and usage of UX methods in agile. Inf. Softw. Technol. 151, 107005(2022).
  16. Cao, S., Chen, X., Yuan, B. Overview of short-range wireless communication protocol. Proceedings of the 7th International Conference on Computer and Communication Systems (ICCCS), Wuhan, China, , (2022).
  17. Chitra, R., Sathish, M., Stervin, J. An efficient fuzzy colored petri-nets-based ubiquitous framework for diversified culture of building automation in India. Procedia Comput. Sci. 236, 476-484 (2024).
  18. Čolaković, A., Džubur, A. H., Karahodža, B. Wireless communication technologies for the Internet of Things. Sci. Eng. Technol. 1 (1), 1-14 (2021).
  19. Donin, G., Kneppo, P. Availability as an operational efficiency indicator of medical equipment. Acta Mech. Slovaca. 17 (3), 42-48 (2013).
  20. Faisal, S., Samoth, D., Aslam, Y., Patel, H., Park, S., et al. Key features of smart medication adherence products: Updated scoping review. JMIR Aging. 6, e50990(2023).
  21. Gangneux, J., Joss, S., Humphry, J., Hanchard, M., Chesher, C., et al. Situated, yet silent: Data relations in smart street furniture. J. Urban Technol. 29 (3), 19-39 (2022).
  22. George, A. S., George, A. H. A review of ChatGPT AI's impact on several business sectors. Partners Univers. Int. Innov. J. 1 (1), 9-23 (2023).
  23. Gómez-Carmona, O., Sádaba, J., Casado-Mansilla, D. Enhancing street-level interactions in smart cities through interactive and modular furniture. J. Ambient Intell. Humaniz. Comput. 13 (11), 5419-5432 (2022).
  24. Habbal, F., Kolmos, A., Hadgraft, R. G., Holgaard, J. E., Reda, K. A systems approach to addressing human challenges. Reshaping Engineering Education: Addressing Complex Human Challenges. , Springer. Singapore. 17-51 (2024).
  25. Hsu, S. L., Shah, R. S., Senthil, P., Ashktorab, Z., Dugan, C., et al. Helping the helper: Supporting peer counselors via AI-empowered practice and feedback. Proc. ACM Hum.-Comput. Interact, 9 (2), 1-45 (2025).
  26. Hullamani, R. M., Kavya, T. N. ZigBee Wireless Communication Technology. JNNCE J. Eng. Manag. 5 (1), 31(2021).
  27. Iskandar, V., Ghany, M. A. A. E., Goehringer, D. Near-memory computing on FPGAs with 3D-stacked memories: Applications, architectures, and optimizations. ACM Trans. Reconfigurable Technol. Syst. 16 (1), 1-32 (2022).
  28. Jabbar, W. A., Annathurai, S., Rahim, T. A. A., Fauzi, M. F. M. Smart energy meter based on a long-range wide-area network for a stand-alone photovoltaic system. Expert Syst. Appl. 197, 116703(2022).
  29. Jamshed, M. A., Ali, K., Abbasi, Q. H., Imran, M. A., Ur-Rehman, M. Challenges, applications, and future of wireless sensors in Internet of Things: A review. IEEE Sens. J. 22 (6), 5482-5494 (2022).
  30. Javeed, D., Saeed, M. S., Ahmad, I., Kumar, P., Jolfaei, A., et al. An intelligent intrusion detection system for smart consumer electronics network. IEEE Trans. Consum. Electron. 69 (4), 906-913 (2023).
  31. Khalil, M. M., Khomonenko, A. D., Matushko, M. D. Measuring the effect of monitoring on a cloud computing system by estimating the delay time of requests. J. King Saud Univ. - Comput. Inf. Sci. 34 (7), 3968-3972 (2022).
  32. Kumar, R., Soodan, B. S., Kuaban, G. S., Czekalski, P., Sharma, S. Performance analysis of a cloud computing system using a queuing model with correlated task reneging. J. Phys. Conf. Ser, 2091 (1), 012003(2021).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Tagi

G bokie uczenie ze wzmacnianiemfederacyjne meta uczeniemarkowowski proces decyzyjnyadaptacyjny filtr Kalmanarzadki autoenkoderuczenie federacyjne

Powiązane artykuły