Autor:
Rentero-Trejo, Rubén

Cargando...
Foto de perfil

E-mails conocidos

rrenterot@unex.es

Fecha de nacimiento

Proyectos de investigación

Unidades organizativas

Puesto de trabajo

Apellidos

Rentero-Trejo

Nombre de pila

Rubén

Nombre

Nombres alternativos

Afiliaciones conocidas

University of Extremadura, Spain
Universidad de Extremadura, Spain

Páginas web conocidas

Página completa del ítem
Notificar un error en este autor

Resultados de la búsqueda

Mostrando 1 - 2 de 2
  • Artículo
    Hacia entornos IoT proactivos adaptados al usuario
    Rentero-Trejo, Rubén; García Alonso, José Manuel; Berrocal, José Javier; Murillo Rodríguez, Juan Manuel. Actas de las XVI Jornadas de Ingeniería de Ciencia e Ingeniería de Servicios (JCIS 2021), 2021-09-22.
    El Internet de las Cosas (IoT) integra billones de dispositivos inteligentes en sistemas multidisciplinares. La calidad de vida de las personas aumenta con su adquisición, pero el tiempo dedicado a gestión manual también aumenta drásticamente. Sistemas inteligentes y asistentes de voz se están abriendo paso para abordar este problema, aunque limitados en su capacidad de gestión. Este artículo propone un proceso para lograr sistemas personalizados que gestionan diferentes conjuntos de dispositivos IoT de forma automática.
  • Artículo
    Using Federated Learning to achieve Proactive Context-Aware IoT Environments
    Rentero-Trejo, Rubén; Flores-Martin, Daniel; Galán-Jiménez, Jaime; García Alonso, José Manuel; Murillo Rodríguez, Juan Manuel; Berrocal, José Javier. Actas de las XVII Jornadas de Ingeniería de Ciencia e Ingeniería de Servicios (JCIS 2022), 2022-09-05.
    The Internet of Things (IoT) is more present in our daily lives than ever before, turning everyday physical objects into smart devices. However, these devices often need excessive human interaction before reaching their best performance, making them time-consuming and reducing their usability. Nowadays, Artificial Intelligence (AI) techniques are being used to process data and to find ways to automate different behaviours. However, achieving learning models capable of handling any situation is a challenging task, worsened by time training restrictions. This paper proposes a Federated Learning solution to manage different IoT environments and provide accurate predictions, based on the users preferences. To improve the coexistence between devices and users, this approach makes use of other users previous behaviours in similar environments, and proposes predictions for newcomers to the federation. Also, for existing participants, it provides a closer personalization, immediate availability and prevents most manual interactions. The approach has been tested with synthetic and real data and identifies the actions to be performed with 94\% accuracy on regular users.