論文の概要: A supervised active learning method for identifying critical nodes in Wireless Sensor Network

• arxiv url: http://arxiv.org/abs/2004.08885v3
• Date: Wed, 29 Apr 2020 16:14:26 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-12 00:41:57.299172
• Title: A supervised active learning method for identifying critical nodes in Wireless Sensor Network
• Title（参考訳）: 無線センサネットワークにおける臨界ノード同定のための教師付き能動学習法
• Authors: Behnam Ojaghi Kahjogh and Mohammad Mahdi Dehshibi
• Abstract要約: 無線センサネットワーク(WSN)におけるクリティカルノード同定の計算オーバーヘッドに対処する能動的学習手法を提案する。 提案手法は,非臨界ノード同定におけるバイアスを克服し,WSNの動的性質に適応するためには,微調整の労力をはるかに削減する必要がある。 実験により, 提案手法は, 大規模WSN環境において, 最先端技術と比較して柔軟性が高いことが示された。
• 参考スコア（独自算出の注目度）: 0.27920304852537525
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Energy Efficiency of a wireless sensor network (WSN) relies on its main characteristics, including hop-number, user's location, allocated power, and relay. Identifying nodes, which have more impact on these characteristics, is, however, subject to a substantial computational overhead and energy consumption. In this paper, we proposed an active learning approach to address the computational overhead of identifying critical nodes in a WSN. The proposed approach can overcome biasing in identifying non-critical nodes and needs much less effort in fine-tuning to adapt to the dynamic nature of WSN. This method benefits from the cooperation of clustering and classification modules to iteratively decrease the required number of data in a typical supervised learning scenario and to increase the accuracy in the presence of uninformative examples, i.e., non-critical nodes. Experiments show that the proposed method has more flexibility, compared to the state-of-the-art, to be employed in large scale WSN environments, the fifth-generation mobile networks (5G), and massively distributed IoT (i.e., sensor networks), where it can prolong the network lifetime.
• Abstract（参考訳）: 無線センサネットワーク(WSN)のエネルギー効率は、ホップ数、ユーザの位置、割り当てられた電力、リレーなどの主な特性に依存する。 しかし,これらの特徴に影響を及ぼすノードの同定は,計算オーバーヘッドやエネルギー消費に大きく影響している。 本稿では,wsnにおける臨界ノード同定の計算オーバーヘッドに対処するためのアクティブラーニング手法を提案する。 提案手法は非クリティカルノードを識別するバイアスを克服し、wsnの動的性質に適応するための微調整の労力をはるかに少なくする。 この手法はクラスタリングと分類モジュールの協調によって、典型的な教師付き学習シナリオにおけるデータの要求数を反復的に減少させ、非クリティカルノードである非形式的な例の存在下での精度を高めることができる。 実験の結果,提案手法は,大規模WSN環境,第5世代モバイルネットワーク(5G),大規模分散IoT(センサネットワーク)など,ネットワークの寿命を延ばすことができる。

関連論文リスト

• Coupling Light with Matter for Identifying Dominant Subnetworks [0.0]
  我々は、複雑なニューラルネットワークを使用して、支配的な作業を特定し、より大きなネットワーク内の間接的相関を明らかにする、新しいライトマタープラットフォームを提案する。 このアプローチは、低消費電力、高速な処理速度、および後処理を行わない共値ノードと逆制御ノードの即時同定など、大きな利点を提供する。
  論文  参考訳（メタデータ） (2024-05-27T16:00:21Z)
• Node Centrality Approximation For Large Networks Based On Inductive Graph Neural Networks [2.4012886591705738]
  ネットワーク分析において、クローズネス中央度(CC)とブロードネス中央度(BC)が重要な指標である。 大規模なネットワーク上での実践的な実装は、その高速な複雑さのため、計算的に要求される。 本稿では,CNCA-IGEモデルを提案する。CNCA-IGEモデルは,CCやBCのメトリクスに基づいてノードをランク付けするインダクティブグラフエンコーダ・デコーダモデルである。
  論文  参考訳（メタデータ） (2024-03-08T01:23:12Z)
• EEGSN: Towards Efficient Low-latency Decoding of EEG with Graph Spiking Neural Networks [4.336065967298193]
  ほとんどのニューラルネットワーク(SNN)は、低レイテンシと電力効率を必要とするいくつかの重要なタスクに必ずしも適合しない誘導バイアスに基づいてトレーニングされている。 本稿では、分散脳波センサに存在する動的関係情報を学習する多チャンネル脳波分類(EEGS)のためのグラフスパイクニューラルアーキテクチャを提案する。 提案手法は,従来のSNNと比較して,推定計算の複雑さを20ドル程度削減し,モータ実行タスクにおいて同等の精度を達成した。
  論文  参考訳（メタデータ） (2023-04-15T23:30:17Z)
• Learning k-Level Structured Sparse Neural Networks Using Group Envelope Regularization [4.0554893636822]
  制約のあるリソースに大規模ディープニューラルネットワークをデプロイするための新しいアプローチを導入する。 この手法は推論時間を短縮し、メモリ需要と消費電力を減らすことを目的とする。
  論文  参考訳（メタデータ） (2022-12-25T15:40:05Z)
• Influencer Detection with Dynamic Graph Neural Networks [56.1837101824783]
  インフルエンサー検出のための動的グラフニューラルネットワーク(GNN)の構成について検討する。 GNNにおける深層多面的注意と時間特性の符号化が性能を著しく向上させることを示す。
  論文  参考訳（メタデータ） (2022-11-15T13:00:25Z)
• Semi-supervised Network Embedding with Differentiable Deep Quantisation [81.49184987430333]
  我々はネットワーク埋め込みのための微分可能な量子化法であるd-SNEQを開発した。 d-SNEQは、学習された量子化符号にリッチな高次情報を与えるためにランク損失を組み込む。 トレーニング済みの埋め込みのサイズを大幅に圧縮できるため、ストレージのフットプリントが減少し、検索速度が向上する。
  論文  参考訳（メタデータ） (2021-08-20T11:53:05Z)
• Deep Neural Networks and PIDE discretizations [2.4063592468412276]
  畳み込みニューラルネットワーク(CNN)の安定性と視野問題に対処するニューラルネットワークを提案する。 本稿では,大域重み付きラプラス作用素,分数ラプラス作用素,分数逆ラプラス作用素に関連する積分型空間非局所作用素を提案する。 自律運転における画像分類データセットとセマンティックセグメンテーションタスクのベンチマーク上で,提案したニューラルネットワークの有効性を検証した。
  論文  参考訳（メタデータ） (2021-08-05T08:03:01Z)
• Data-Driven Random Access Optimization in Multi-Cell IoT Networks with NOMA [78.60275748518589]
  非直交多重アクセス(NOMA)は、5Gネットワーク以降で大規模なマシンタイプ通信(mMTC)を可能にする重要な技術です。 本稿では,高密度空間分散マルチセル無線IoTネットワークにおけるランダムアクセス効率向上のために,NOMAを適用した。 ユーザ期待容量の幾何学的平均を最大化するために,各IoTデバイスの伝送確率を調整したランダムチャネルアクセス管理の新たな定式化を提案する。
  論文  参考訳（メタデータ） (2021-01-02T15:21:08Z)
• Regularizing Deep Networks with Semantic Data Augmentation [44.53483945155832]
  従来の手法を補完する新しい意味データ拡張アルゴリズムを提案する。 提案手法はディープネットワークが線形化特徴の学習に有効であるという興味深い性質に着想を得たものである。 提案した暗黙的セマンティックデータ拡張(ISDA)アルゴリズムは,新たなロバストCE損失を最小限に抑える。
  論文  参考訳（メタデータ） (2020-07-21T00:32:44Z)
• Resource Allocation via Graph Neural Networks in Free Space Optical Fronthaul Networks [119.81868223344173]
  本稿では,自由空間光(FSO)フロントホールネットワークにおける最適資源割り当てについて検討する。 我々は、FSOネットワーク構造を利用するために、ポリシーパラメータ化のためのグラフニューラルネットワーク(GNN)を検討する。 本アルゴリズムは,システムモデルに関する知識が不要なモデルフリーでGNNを訓練するために開発された。
  論文  参考訳（メタデータ） (2020-06-26T14:20:48Z)
• Graph Prototypical Networks for Few-shot Learning on Attributed Networks [72.31180045017835]
  グラフメタ学習フレームワーク - Graph Prototypeal Networks (GPN) を提案する。 GPNは、属性付きネットワーク上でテキストミータ学習を行い、ターゲット分類タスクを扱うための高度に一般化可能なモデルを導出する。
  論文  参考訳（メタデータ） (2020-06-23T04:13:23Z)

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。