Synthetic User Behavior Sequence Generation with Large Language Models for Smart Homes

要約

近年、スマートホームシステムがより広範囲に及ぶにつれて、これらの環境内のセキュリティ上の懸念は脅威の増大になっています。
現在、異常検出や行動予測モデルなど、ほとんどのスマートホームセキュリティソリューションは、事前に削除された固定データセットを使用してトレーニングされています。
ただし、データセットコレクションのプロセスは時間がかかり、常に進化するスマートホーム環境に適応するために必要な柔軟性がありません。
さらに、個人データのコレクションは、ユーザーにとって大きなプライバシーの懸念を引き起こします。
最近、大規模な言語モデル（LLM）は、自然言語処理、推論、および問題解決における強力な機能のおかげで、多様なアプリケーションドメイン全体の幅広いタスクの強力なツールとして浮上しています。
この論文では、LLMベースの合成データセット生成IoTGenフレームワークを提案して、ダウンストリームスマートホームインテリジェントモデルの一般化を強化します。
環境の変化を反映する新しい合成データセットを生成することにより、Smart Homeインテリジェントモデルを再訓練して、固定データと時代遅れのデータの制限を克服し、現実世界のホーム環境の動的な性質とより適合させることができます。
具体的には、最初に、IoTの動作データに合わせた構造パターン知覚圧縮（SPPC）メソッドを提案します。これは、トークンの消費を大幅に削減しながら、データで最も有益なコンテンツを保存します。
次に、プロンプトを作成し、データ生成を実装するための体系的なアプローチを提案し、規範的かつ合理的な特性を備えたIoT合成データを自動的に生成し、適応トレーニングのタスクモデルを支援して一般化と現実世界のパフォーマンスを改善します。

要約(オリジナル)

In recent years, as smart home systems have become more widespread, security concerns within these environments have become a growing threat. Currently, most smart home security solutions, such as anomaly detection and behavior prediction models, are trained using fixed datasets that are precollected. However, the process of dataset collection is time-consuming and lacks the flexibility needed to adapt to the constantly evolving smart home environment. Additionally, the collection of personal data raises significant privacy concerns for users. Lately, large language models (LLMs) have emerged as a powerful tool for a wide range of tasks across diverse application domains, thanks to their strong capabilities in natural language processing, reasoning, and problem-solving. In this paper, we propose an LLM-based synthetic dataset generation IoTGen framework to enhance the generalization of downstream smart home intelligent models. By generating new synthetic datasets that reflect changes in the environment, smart home intelligent models can be retrained to overcome the limitations of fixed and outdated data, allowing them to better align with the dynamic nature of real-world home environments. Specifically, we first propose a Structure Pattern Perception Compression (SPPC) method tailored for IoT behavior data, which preserves the most informative content in the data while significantly reducing token consumption. Then, we propose a systematic approach to create prompts and implement data generation to automatically generate IoT synthetic data with normative and reasonable properties, assisting task models in adaptive training to improve generalization and real-world performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google