本文介绍了智能家居中环境传感器用于人类活动识别的算法、进展、挑战和分类，并提出了该领域中的问题、研究机会和解决方案。

Oct, 2021

该论文研究了在智能家居环境中，如何利用大型语言模型识别出用户语句的意图并生成具体的机器可解析指令，以便控制智能设备，从而实现上下文感知。

Mar, 2023

探索利用大型语言模型控制设备和创建自动化程序以实现用户命令的隐含目标，提出Sasha系统以创造性、目标导向的方式实现智能家居中的用户需求。

May, 2023

该研究提出了Pinterest个性化推荐产品Homefeed的排名结构与使用的混合模型——TransAct，该模型能够从实时用户活动中提取用户的短期偏好，结合离线生成的用户嵌入向量以提高效率，使用该模型进行的混合排序能够有效优化推荐效果并在相关产品实现部署。

May, 2023

通过学习传感器之间的显式共同触发关系，我们提出了一种新颖的图导向神经网络方法，该方法通过将离散的输入传感器测量映射到特征空间，应用注意机制和节点嵌入的分层汇聚，在CASAS数据集上进行实验证明了我们提出的方法在智能家居人体活动识别方面优于现有方法，并将其推向更接近真实世界应用的方向。

Nov, 2023

通过将基于知识的服务和基于机器学习的数据驱动服务有机地结合起来，我们提出了一个名为HKD-SHO的混合系统，既具有基于知识的服务的可解释性，又具有基于数据驱动服务的动态性。比较结果显示，HKD-SHO具有更好的性能。

Feb, 2024

智能家居系统中智能决策模型的可解释人工智能（XAI）方法对于开发者和从业者有益，但普通用户尤其是家庭成员可能很难理解。本文提倡以人为中心的XAI方法，强调提供易于理解的解释以增强用户满意度、推动智能家居系统的采用。通过对两个智能家居应用场景的实验，我们证明著名的XAI技术生成的解释可能无法帮助用户理解和做出决策，因此我们主张在智能家居系统中采用以人为中心的方法来表达解释，并介绍相关的人机交互（HCI）方法，包括用户研究、原型设计、技术探针分析和启发式评估，以为用户生成和展示人为中心的解释。

Apr, 2024

使用环境传感器在智能家居中进行人类活动识别具有人类健康和福祉的多种应用。通过引入一种新颖的面向布局无关的智能家居人类活动识别系统建模方法，利用原始传感器数据的自然语言描述的可转移表示能力，我们在新的智能家居环境下构建通用的人类活动识别模型，并通过对基准CASAS数据集的实验验证了TDOST模型在未知智能家居中的有效性，并详细分析了我们方法的各个组成部分对下游活动识别性能的影响。

May, 2024

借助互联网物联网技术，智能家居为人们带来了很大的便利，但也因用户的不当操作和恶意攻击等异常行为而存在安全隐患。本文就智能家居用户行为的异常检测提出了SmartGuard方法，它通过自编码器结合动态掩码策略、时间感知的位置嵌入和噪声感知的重构损失等技术，在三个数据集上的综合实验中表现出色，并提供了高度可解释的结果。

Jun, 2024

通过利用大型语言模型和用户偏好推动个性化和直观性的边界，本文提出了一种原创的智能家居架构，并以一组场景和各种大型语言模型的比较分析来证明所提出的模型的优势，在维护舒适性、安全性和用户偏好方面能够提高平均成绩达52.3%，平均处理时间减少35.6%，性能较大模型结果提高了26.4%，处理时间几乎快了20倍。

Jun, 2024