[論文レビュー] Anticipatory Mobile Computing: A Survey of the State of the Art and Research Challenges

Veljko Pejović, Mirco Musolesi|Archivio istituzionale della ricerca (Alma Mater Studiorum Università di Bologna)|Jun 10, 2013

Context-Aware Activity Recognition Systems参考文献 168被引用数 150

ひとこと要約

本論文は、予測型モバイルコンピューティングを調査し、モバイルセンシングと機械学習を活用してユーザーの状況（例：場所、行動、感情状態）を予測し、能動的かつユーザーに適応するアプリケーションを可能にするフレームワークを提案する。予測精度、システム統合、ユーザーのプライバシーといった主な課題を特定するとともに、強化学習および顕在的学習を活用して、スマートフォンにおける効率的で侵入性のない意思決定を実現する必要性を提唱する。

ABSTRACT

Today's mobile phones are far from mere communication devices they were ten years ago. Equipped with sophisticated sensors and advanced computing hardware, phones can be used to infer users' location, activity, social setting and more. As devices become increasingly intelligent, their capabilities evolve beyond inferring context to predicting it, and then reasoning and acting upon the predicted context. This article provides an overview of the current state of the art in mobile sensing and context prediction paving the way for full-fledged anticipatory mobile computing. We present a survey of phenomena that mobile phones can infer and predict, and offer a description of machine learning techniques used for such predictions. We then discuss proactive decision making and decision delivery via the user-device feedback loop. Finally, we discuss the challenges and opportunities of anticipatory mobile computing.

研究の動機と目的

• 予測型モバイルコンピューティング分野における最新技術の包括的概要を確立すること。特に、モバイルセンシングとコンテキスト予測に焦点を当てる。
• ローゼンの理論的枠組みに基づき、一般のコンテキストに敏感なシステムや予測型システムとは異なる、予測型コンピューティングの定義と特徴を明確にすること。
• モバイル環境における予測精度、システム統合、ユーザーのプライバシーに関する、主な研究的課題を特定すること。
• 予測型システムがユーザー体験や社会的成果を向上させ得る分野、例えばヘルスケア、スマートシティ、心理的コンピューティングにおける実用的応用を検討すること。
• 機械学習とフィードバックループを活用した、効率的で侵入性のない予測型モバイルシステムを構築するための設計指針と実装のベストプラクティスを提供すること。

提案手法

• 加速度計、GPS、音声など、モバイルセンシングデータを活用して、ユーザーの行動、場所、社会的状況といった高レベルのコンテキストを推定する。
• 教師あり学習および教師なし学習を含む機械学習技術を適用し、ユーザーの将来の状態や環境状態をモデル化・予測する。
• 最小限のユーザー介入で適応的かつ能動的な意思決定を可能にするために、強化学習および顕在的学習を採用する。
• 予測の精度を高め、最適なタイミングでコンテキストに応じた行動を提供するために、ユーザー-デバイスのフィードバックループを導入する。
• 生のセンサ信号から特徴抽出、モデル学習を経て、高レベルのコンテキスト推論に至るまでの情報フローを分析する。
• 予測モデルがリアルタイムデータとユーザーのフィードバックを継続的に活用して更新されるフレームワークを提案し、長期的な適応を可能にする。

実験結果

リサーチクエスチョン

• RQ1 システムが単にコンテキストに敏感であるか、あるいは予測型であるかを定義づける要因は何であるか？
• RQ2 ユーザーのコンテキスト（例：場所、行動、感情状態）を予測するうえで、最も効果的なモバイルセンシングモダリティと機械学習技術は何か？
• RQ3 予測型システムは、予測の正確性と能動的行動のバランスをどのようにとるのか？誤ったまたは侵入的な行動を避けるにはどうすればよいか？
• RQ4 スケールアップして予測型モバイルシステムを展開するにあたり、主な技術的および倫理的課題は何か？
• RQ5 予測型コンピューティングは、ヘルスケア、スマートシティ、心理的コンピューティングといった実世界の応用に、どのように統合できるか？

主な発見

• スマートフォンの豊富なセンサーセットと増大する計算能力のおかげで、予測型モバイルコンピューティングが実現可能となり、基本的なコンテキストをはるかに超えた複雑なユーザー状態の推定が可能になった。
• 予測精度は極めて重要である。高い能動的行動は、予測が信頼できる場合にのみ有用であり、見通しの長さと正確性の間には、慎重なトレードオフが必要である。
• ユーザーの干渉を最小限に抑えつつ、適応的かつ長期的なシステム行動を実現するには、強化学習および顕在的学習が最適なアプローチであると特定された。
• Google Now、Apple Siri、Microsoft Cortana といったアプリケーションは、予測型モバイルシステムの成熟度と実世界への展開の進捗を示している。
• 予測型システムは、ユーザーの内的状態を予測し、それに応じてシステム行動を適応させることで、心理的コンピューティングを支援できる。
• 将来のスマートシティは、大規模かつ個別化されたコンテキスト予測を活用して、交通管理、環境モニタリング、公共の安全対策に予測型モバイルコンピューティングを応用できるだろう。