智能家居中多居民数据关联：基于 MDP 建模与行为克隆

环境传感器为智能家居中的活动识别提供了一种保护隐私的解决方案，但它们在多居民环境中面临一个被称为数据关联（Data Association）的关键挑战，该挑战旨在识别触发特定匿名传感器事件的居民。现有方法从根本上无法保持全局一致性，因为它们常常对沉默居民产生相互冲突的关联结果。此外，这些方法还经常因将连续的物理运动模型应用于离散的逻辑行为所导致的本体论不匹配而遭受严重的轨迹碎片化问题。为解决这些局限，我们提出了一个新颖的框架，将数据关联重新表述为马尔可夫决策过程（MDP）中的序贯决策任务。我们通过行为克隆（BC）求解所定义的 MDP，从而直接向专家示范学习，避免复杂的奖励工程。我们使用两种互补的架构来实例化该策略，包括一个轻量级 Transformer，它将关联视为对线性化事件历史的多标签分类任务；以及一个经过微调的大语言模型（LLM），它将问题重新表述为条件文本生成，以利用预训练的语义知识。在三个多样化数据集上的大量评估表明，我们的方法显著优于最先进的基线，尤其是在解决并发多居民事件方面。此外，基于 LLM 的策略在基准设置下展现出初步的跨环境迁移潜力，但其在实际部署中的鲁棒性仍需进一步验证。

中文由 AI 翻译，仅供参考，以原文为准。