論文の概要: A Generative Learning Approach for Spatio-temporal Modeling in Connected
Vehicular Network
- arxiv url: http://arxiv.org/abs/2003.07004v1
- Date: Mon, 16 Mar 2020 03:43:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-23 04:10:15.877386
- Title: A Generative Learning Approach for Spatio-temporal Modeling in Connected
Vehicular Network
- Title（参考訳）: 接続ベクトルネットワークにおける時空間モデリングのための生成学習手法
- Authors: Rong Xia, Yong Xiao, Yingyu Li, Marwan Krunz, Dusit Niyato
- Abstract要約: 本稿では,コネクテッドカーの無線アクセス遅延を実現するための総合的時間品質フレームワークであるLaMI(Latency Model Inpainting)を提案する。
LaMIはイメージインペイントと合成のアイデアを採用し、2段階の手順で欠落したレイテンシサンプルを再構築することができる。
特に、パッチ方式のアプローチを用いて各地域で収集されたサンプル間の空間的相関を初めて発見し、その後、原点および高度に相関したサンプルをバラエナオートコーダ(VAE)に供給する。
- 参考スコア（独自算出の注目度）: 55.852401381113786
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Spatio-temporal modeling of wireless access latency is of great importance
for connected-vehicular systems. The quality of the molded results rely heavily
on the number and quality of samples which can vary significantly due to the
sensor deployment density as well as traffic volume and density. This paper
proposes LaMI (Latency Model Inpainting), a novel framework to generate a
comprehensive spatio-temporal of wireless access latency of a connected
vehicles across a wide geographical area. LaMI adopts the idea from image
inpainting and synthesizing and can reconstruct the missing latency samples by
a two-step procedure. In particular, it first discovers the spatial correlation
between samples collected in various regions using a patching-based approach
and then feeds the original and highly correlated samples into a Variational
Autoencoder (VAE), a deep generative model, to create latency samples with
similar probability distribution with the original samples. Finally, LaMI
establishes the empirical PDF of latency performance and maps the PDFs into the
confidence levels of different vehicular service requirements. Extensive
performance evaluation has been conducted using the real traces collected in a
commercial LTE network in a university campus. Simulation results show that our
proposed model can significantly improve the accuracy of latency modeling
especially compared to existing popular solutions such as interpolation and
nearest neighbor-based methods.
- Abstract（参考訳）: 無線アクセス遅延の時空間モデリングは、接続車両システムにとって非常に重要である。
成形結果の品質は, センサ配置密度, 交通量, 密度によって大きく変化する試料の数と品質に大きく依存する。
本稿では、広域にまたがる連結車両の無線アクセス遅延の包括的時空間を生成する新しいフレームワークであるLaMI(Latency Model Inpainting)を提案する。
LaMIはイメージインペイントと合成のアイデアを採用し、2段階の手順で欠落したレイテンシサンプルを再構築することができる。
特に,まず,各地域で収集されたサンプル間の空間的相関をパッチ方式で発見し,得られたサンプルと高度に相関したサンプルを,深部生成モデルである変分オートエンコーダ(VAE)に供給し,同一の確率分布を持つ遅延サンプルを生成する。
最後に、LaMIは遅延性能の実証的なPDFを確立し、PDFを異なる車両サービス要件の信頼性レベルにマッピングする。
大学構内の商用LTEネットワークで収集した実測値を用いて,大規模性能評価を行った。
シミュレーションの結果,提案手法は,補間法や近接近傍法などの既存手法と比較して,レイテンシモデリングの精度を大幅に向上できることがわかった。
関連論文リスト
- SONNET: Enhancing Time Delay Estimation by Leveraging Simulated Audio [17.811771707446926]
学習に基づく手法は、合成データにもとづいても、新しい実世界のデータに基づいてGCC-PHATを著しく上回り得ることを示す。
トレーニングされたモデルであるSONNETは、リアルタイムに実行可能で、多くの実データアプリケーションのために、最初から新しいデータに取り組んでいます。
論文 参考訳（メタデータ） (2024-11-20T10:23:21Z) - A Simple Early Exiting Framework for Accelerated Sampling in Diffusion Models [14.859580045688487]
拡散モデルの現実的なボトルネックはサンプリング速度である。
スコア推定に必要な計算を適応的に割り当てる新しいフレームワークを提案する。
本研究では,画像品質を損なうことなく,拡散モデルのサンプリングスループットを大幅に向上できることを示す。
論文 参考訳（メタデータ） (2024-08-12T05:33:45Z) - PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
私たちはaを提案します。
フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。
我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
論文 参考訳（メタデータ） (2024-06-04T13:51:08Z) - SMORE: Similarity-based Hyperdimensional Domain Adaptation for
Multi-Sensor Time Series Classification [17.052624039805856]
マルチセンサ時系列分類のための新しい資源効率ドメイン適応(DA)アルゴリズムであるSMOREを提案する。
SMOREは、最先端(SOTA)のDNNベースのDAアルゴリズムよりも平均1.98%高い精度で18.81倍高速トレーニングと4.63倍高速推論を実現している。
論文 参考訳（メタデータ） (2024-02-20T18:48:49Z) - Consistency Trajectory Models: Learning Probability Flow ODE Trajectory of Diffusion [56.38386580040991]
Consistency Trajectory Model (CTM) は Consistency Models (CM) の一般化である
CTMは、対戦訓練とスコアマッチング損失を効果的に組み合わせることで、パフォーマンスを向上させる。
CMとは異なり、CTMのスコア関数へのアクセスは、確立された制御可能/条件生成メソッドの採用を合理化することができる。
論文 参考訳（メタデータ） (2023-10-01T05:07:17Z) - Deep Generative model with Hierarchical Latent Factors for Time Series
Anomaly Detection [40.21502451136054]
本研究は、時系列異常検出のための新しい生成モデルであるDGHLを提示する。
トップダウンの畳み込みネットワークは、新しい階層的な潜在空間を時系列ウィンドウにマッピングし、時間ダイナミクスを利用して情報を効率的にエンコードする。
提案手法は,4つのベンチマーク・データセットにおいて,現在の最先端モデルよりも優れていた。
論文 参考訳（メタデータ） (2022-02-15T17:19:44Z) - Robust Audio Anomaly Detection [10.75127981612396]
提案されたアプローチは、トレーニングデータセットにラベル付き異常が存在することを前提としません。
時間力学は、注意機構を付加した繰り返し層を用いてモデル化される。
ネットワークの出力は、外向きの頑健な確率密度関数である。
論文 参考訳（メタデータ） (2022-02-03T17:19:42Z) - Spatio-temporal Modeling for Large-scale Vehicular Networks Using Graph
Convolutional Networks [110.80088437391379]
SMARTと呼ばれるグラフベースのフレームワークが提案され、大規模な地理的領域にわたるV2I通信遅延の統計をモデル化し、追跡する。
深層Q-networksアルゴリズムと統合したグラフ畳み込みネットワークを用いたグラフ再構築型手法を開発する。
その結果,提案手法は,モデル化の精度と効率と,大規模車両ネットワークにおける遅延性能を有意に向上させることが示された。
論文 参考訳（メタデータ） (2021-03-13T06:56:29Z) - Anomaly Detection of Time Series with Smoothness-Inducing Sequential
Variational Auto-Encoder [59.69303945834122]
Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。
我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。
合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
論文 参考訳（メタデータ） (2021-02-02T06:15:15Z) - Fast-Convergent Federated Learning [82.32029953209542]
フェデレーション学習は、モバイルデバイスの現代的なネットワークを介して機械学習タスクを分散するための、有望なソリューションである。
本稿では,FOLBと呼ばれる高速収束型フェデレーション学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-07-26T14:37:51Z)
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。