論文の概要: Performance Analysis and Comparison of Machine and Deep Learning
Algorithms for IoT Data Classification
- arxiv url: http://arxiv.org/abs/2001.09636v1
- Date: Mon, 27 Jan 2020 09:14:11 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-06 07:41:48.739661
- Title: Performance Analysis and Comparison of Machine and Deep Learning
Algorithms for IoT Data Classification
- Title（参考訳）: iotデータ分類のための機械学習とディープラーニングアルゴリズムの性能解析と比較
- Authors: Meysam Vakili, Mohammad Ghamsari and Masoumeh Rezaei
- Abstract要約: 本稿では,6つのIoT関連データセットを用いた分類タスクにおいて,11の一般的な機械学習アルゴリズムとディープラーニングアルゴリズムの性能評価を行う。
すべてのパフォーマンス指標を考慮すると、Random Forestsは他の機械学習モデルよりも優れており、ディープラーニングモデルのうち、ANNとCNNはより興味深い結果を得た。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recent years, the growth of Internet of Things (IoT) as an emerging
technology has been unbelievable. The number of networkenabled devices in IoT
domains is increasing dramatically, leading to the massive production of
electronic data. These data contain valuable information which can be used in
various areas, such as science, industry, business and even social life. To
extract and analyze this information and make IoT systems smart, the only
choice is entering artificial intelligence (AI) world and leveraging the power
of machine learning and deep learning techniques. This paper evaluates the
performance of 11 popular machine and deep learning algorithms for
classification task using six IoT-related datasets. These algorithms are
compared according to several performance evaluation metrics including
precision, recall, f1-score, accuracy, execution time, ROC-AUC score and
confusion matrix. A specific experiment is also conducted to assess the
convergence speed of developed models. The comprehensive experiments indicated
that, considering all performance metrics, Random Forests performed better than
other machine learning models, while among deep learning models, ANN and CNN
achieved more interesting results.
- Abstract（参考訳）: 近年,IoT(Internet of Things,モノのインターネット)が新興技術として成長している。
IoTドメインにおけるネットワーク対応デバイスの数は劇的に増加しており、電子データの大量生産につながっている。
これらのデータは、科学、産業、ビジネス、さらには社会生活など、様々な分野で利用できる貴重な情報を含んでいる。
これらの情報を抽出して分析し、IoTシステムをスマートにするためには、人工知能(AI)の世界に入り、機械学習とディープラーニング技術のパワーを活用することが唯一の選択肢だ。
本稿では,6つのiot関連データセットを用いた分類タスクにおける11のポピュラーマシンおよびディープラーニングアルゴリズムの性能評価を行った。
これらのアルゴリズムは、精度、リコール、f1スコア、精度、実行時間、ROC-AUCスコア、混乱行列など、いくつかのパフォーマンス評価指標に基づいて比較される。
また,開発モデルの収束速度を評価するための実験を行った。
包括的な実験では、すべてのパフォーマンス指標を考慮すると、Random Forestsは他の機械学習モデルよりもパフォーマンスが良く、ANNとCNNはより興味深い結果を得た。
関連論文リスト
- Systematic review, analysis, and characterisation of malicious industrial network traffic datasets for aiding Machine Learning algorithm performance testing [0.0]
本稿では,公開可能なネットワークトラフィックキャプチャに基づくデータセットを体系的にレビューする。
これには、含まれた攻撃タイプの分類、メタデータのレビュー、統計分析、複雑さ分析が含まれる。
研究者にメタデータを提供し、研究の質問に最適なデータセットを選択するのに使用できる。
論文 参考訳（メタデータ） (2024-05-08T07:48:40Z) - MultiIoT: Benchmarking Machine Learning for the Internet of Things [70.74131118309967]
次世代の機械学習システムは、物理的世界に対する知覚と相互作用に長けなければならない。
運動、熱、位置情報、深度、無線信号、ビデオ、オーディオからの知覚データは、物理環境の状態をモデル化するためにますます使われています。
既存の取り組みは、しばしば単一の感覚的モダリティまたは予測タスクに特化している。
本稿は、12のモダリティと8つの現実世界タスクから115万以上のサンプルを含む、これまでで最も拡張的で統一されたIoTベンチマークであるMultiIoTを提案する。
論文 参考訳（メタデータ） (2023-11-10T18:13:08Z) - On Responsible Machine Learning Datasets with Fairness, Privacy, and Regulatory Norms [56.119374302685934]
AI技術の信頼性に関する深刻な懸念があった。
機械学習とディープラーニングのアルゴリズムは、開発に使用されるデータに大きく依存する。
本稿では,責任あるルーブリックを用いてデータセットを評価するフレームワークを提案する。
論文 参考訳（メタデータ） (2023-10-24T14:01:53Z) - IoT Data Analytics in Dynamic Environments: From An Automated Machine
Learning Perspective [10.350337750192997]
本稿では,AutoMLの領域におけるモデル選択,チューニング,手順の更新において,既存の手法の見直しを行う。
我々の発見を正当化し、産業ユーザや研究者がAutoMLアプローチをよりうまく実装するのを助けるために、AutoMLをIoT異常検出問題に適用するケーススタディが実施されている。
論文 参考訳（メタデータ） (2022-09-16T16:02:56Z) - Machine Learning For Classification Of Antithetical Emotional States [1.1602089225841632]
本研究は,DEAPデータセット上でのベースライン機械学習分類器の性能を解析する。
ディープラーニングアーキテクチャによるパフォーマンス向上を活用して、最先端に匹敵する結果を提供する。
論文 参考訳（メタデータ） (2022-09-06T06:54:33Z) - Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。
本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
論文 参考訳（メタデータ） (2022-09-05T16:48:34Z) - Deep Reinforcement Learning Assisted Federated Learning Algorithm for
Data Management of IIoT [82.33080550378068]
産業用IoT(Industrial Internet of Things)の継続的な拡大により、IIoT機器は毎回大量のユーザデータを生成する。
IIoTの分野で、これらの時系列データを効率的かつ安全な方法で管理する方法は、依然として未解決の問題である。
本稿では,無線ネットワーク環境におけるIIoT機器データ管理におけるFL技術の適用について検討する。
論文 参考訳（メタデータ） (2022-02-03T07:12:36Z) - ESAI: Efficient Split Artificial Intelligence via Early Exiting Using
Neural Architecture Search [6.316693022958222]
ディープニューラルネットワークは、多くのコンピュータビジョン関連タスクにおいて、従来の機械学習アルゴリズムよりも優れています。
大部分のデバイスは、優れたディープラーニングモデルがサーバー上のデータを解析する責任を負う、クラウドコンピューティングの方法論を活用しています。
本稿では、クラウドとオンデバイスモデルの両方を活用可能な、IoTデバイスにデプロイするための新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2021-06-21T04:47:53Z) - Automated Machine Learning Techniques for Data Streams [91.3755431537592]
本稿では、最先端のオープンソースAutoMLツールを調査し、ストリームから収集したデータに適用し、時間とともにパフォーマンスがどのように変化するかを測定する。
この結果から,既製のAutoMLツールで十分な結果が得られることが示されたが,概念ドリフトや検出,適応といった手法が適用されれば,予測精度を時間とともに維持することが可能になる。
論文 参考訳（メタデータ） (2021-06-14T11:42:46Z) - IoT Security: Botnet detection in IoT using Machine learning [0.0]
本研究は、IoTネットワークにおけるボットネットベースの分散サービス拒否(DDoS)攻撃の検出と緩和に機械学習アルゴリズムを用いた革新的なモデルを提案する。
提案モデルでは,ボットの脅威に関するセキュリティ問題に対処する。
論文 参考訳（メタデータ） (2021-04-06T01:47:50Z) - Deep Learning based Pedestrian Inertial Navigation: Methods, Dataset and
On-Device Inference [49.88536971774444]
慣性測定ユニット(IMU)は小型で安価でエネルギー効率が良く、スマートデバイスや移動ロボットに広く使われている。
正確で信頼性の高い歩行者ナビゲーションをサポートするために慣性データをエクスプロイトすることは、新しいインターネット・オブ・シングス・アプリケーションやサービスにとって重要なコンポーネントである。
我々は、深層学習に基づく慣性ナビゲーション研究のための最初の公開データセットであるOxIOD(OxIOD)を提示、リリースする。
論文 参考訳（メタデータ） (2020-01-13T04:41:54Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。