文章主要内容总结

1. 研究背景：随着智能家居普及，异常检测、行为预测等任务依赖深度学习模型，但这些模型基于静态数据集训练，难以应对因季节变化、生活方式改变等导致的“行为漂移”；而重新收集数据存在成本高、隐私性差等问题。
2. 提出框架：为此，论文提出SmartGen——一种基于大语言模型（LLM）的框架，用于合成上下文感知的用户行为数据，支持下游智能家居模型的持续适应。
3. 核心组件：
   • 时间与语义感知分割（TSS）：将长行为序列分割为语义连贯的子序列，同时受双重时间跨度约束。
   • 语义感知序列压缩（SSC）：通过在潜在空间聚类行为映射，减少输入长度同时保留代表性语义。
   • 图引导序列合成（GSS）：构建行为关系图，将频繁转移编码为提示，指导LLM生成与上下文变化对齐且保留核心模式的序列。
   • 两阶段异常值过滤（TOF）：识别并移除不合理或语义不一致的输出，提升生成序列的事实连贯性和行为有效性。
4. 实验结果：在三个真实世界数据集上的实验表明，SmartGen显著提升了行为漂移场景下的异常检测和行为预测性能，异常检测平均提升85.43%，行为预测平均提升70.51%。

创新点