論文の概要: Sensor selection on graphs via data-driven node sub-sampling in network time series

• arxiv url: http://arxiv.org/abs/2004.11815v1
• Date: Fri, 24 Apr 2020 15:51:57 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-10 02:58:07.052140
• Title: Sensor selection on graphs via data-driven node sub-sampling in network time series
• Title（参考訳）: ネットワーク時系列におけるデータ駆動ノードサブサンプリングによるグラフ上のセンサ選択
• Authors: Yiye Jiang (1 and 2), J\'er\'emie Bigot (1) and Sofian Maabout (2) ((1) Institut de Math\'ematiques de Bordeaux, Universit\'e de Bordeaux, (2) Laboratoire Bordelais de Recherche en Informatique, Universit\'e de Bordeaux)
• Abstract要約: 本稿では,時系列ネットワーク上でセンサの最適なサンプリングセットを選択するという問題に対処する。 我々は,一定数のセンサをオフにするか,あるいは等価にノードのサンプリングセットを選択するために,データ駆動の様々な戦略を提案し,比較する。 提案手法の性能を明らかにするため, 異なる都市における自転車共有ネットワークの実データ解析に関する数値実験を行った。
• 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: This paper is concerned by the problem of selecting an optimal sampling set of sensors over a network of time series for the purpose of signal recovery at non-observed sensors with a minimal reconstruction error. The problem is motivated by applications where time-dependent graph signals are collected over redundant networks. In this setting, one may wish to only use a subset of sensors to predict data streams over the whole collection of nodes in the underlying graph. A typical application is the possibility to reduce the power consumption in a network of sensors that may have limited battery supplies. We propose and compare various data-driven strategies to turn off a fixed number of sensors or equivalently to select a sampling set of nodes. We also relate our approach to the existing literature on sensor selection from multivariate data with a (possibly) underlying graph structure. Our methodology combines tools from multivariate time series analysis, graph signal processing, statistical learning in high-dimension and deep learning. To illustrate the performances of our approach, we report numerical experiments on the analysis of real data from bike sharing networks in different cities.
• Abstract（参考訳）: 本稿では,非観測センサの信号回復を最小の再構成誤差で目的とし,時系列ネットワーク上でのセンサの最適サンプリングセットの選択の問題について述べる。 この問題は、時間依存グラフ信号が冗長ネットワーク上で収集されるアプリケーションによって動機付けられている。 この設定では、基礎となるグラフのノード全体のデータストリームを予測するために、センサーのサブセットのみを使用したい場合もあります。 典型的な応用は、バッテリーの供給が限られているかもしれないセンサーのネットワークにおける消費電力を減らすことである。 我々は,一定数のセンサをオフにしたり,あるいは等価にノードのサンプリングセットを選択するためのデータ駆動戦略を提案し,比較する。 また,多変量データからのセンサ選択に関する既存の文献と(おそらく)基礎となるグラフ構造とのアプローチを関連付けた。 本手法は,多変量時系列解析,グラフ信号処理,高次元・深層学習における統計的学習などのツールを組み合わせる。 提案手法の性能を明らかにするため, 異なる都市における自転車共有ネットワークの実データ解析に関する数値実験を行った。

関連論文リスト

• GNN-LoFI: a Novel Graph Neural Network through Localized Feature-based Histogram Intersection [51.608147732998994]
  グラフニューラルネットワークは、グラフベースの機械学習の選択フレームワークになりつつある。 本稿では,古典的メッセージパッシングに代えて,ノード特徴の局所分布を解析するグラフニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-01-17T13:04:23Z)
• A distributed neural network architecture for dynamic sensor selection with application to bandwidth-constrained body-sensor networks [53.022158485867536]
  ディープニューラルネットワーク(DNN)のための動的センサ選択手法を提案する。 データセット全体の固定選択ではなく、個々の入力サンプルに対して最適なセンササブセット選択を導出することができる。 無線センサネットワーク(WSN)の寿命を、各ノードの送信頻度に制約を加えることで、この動的選択をいかに利用できるかを示す。
  論文  参考訳（メタデータ） (2023-08-16T14:04:50Z)
• Graph Neural Networks with Trainable Adjacency Matrices for Fault Diagnosis on Multivariate Sensor Data [69.25738064847175]
  各センサの信号の挙動を別々に検討し,相互の相関関係と隠れ関係を考慮する必要がある。 グラフノードは、異なるセンサーからのデータとして表現することができ、エッジは、これらのデータの影響を互いに表示することができる。 グラフニューラルネットワークのトレーニング中にグラフを構築する方法が提案されている。これにより、センサー間の依存関係が事前に分かっていないデータ上でモデルをトレーニングすることができる。
  論文  参考訳（メタデータ） (2022-10-20T11:03:21Z)
• DynImp: Dynamic Imputation for Wearable Sensing Data Through Sensory and Temporal Relatedness [78.98998551326812]
  従来の手法では、データの時系列ダイナミクスと、異なるセンサーの特徴の関連性の両方をめったに利用していない、と我々は主張する。 我々はDynImpと呼ばれるモデルを提案し、特徴軸に沿って近接する隣人と異なる時間点の欠如を扱う。 本手法は, 関連センサのマルチモーダル性特性を活かし, 履歴時系列のダイナミックスから学習し, 極端に欠落した状態でデータを再構築することができることを示す。
  論文  参考訳（メタデータ） (2022-09-26T21:59:14Z)
• Graph similarity learning for change-point detection in dynamic networks [15.694880385913534]
  グラフスナップショットの時間的シーケンスである動的ネットワークについて考察する。 このタスクは、しばしばネットワーク変更点検出と呼ばれ、不正検出や物理モーションモニタリングといった多くの応用がある。 我々は、特定のネットワーク領域に適応し、変更を遅延なくローカライズできるオンラインネットワーク変更点検出法を設計する。
  論文  参考訳（メタデータ） (2022-03-29T12:16:38Z)
• Change Detection from Synthetic Aperture Radar Images via Graph-Based Knowledge Supplement Network [36.41983596642354]
  画像変化検出のためのグラフベースの知識補足ネットワーク(GKSNet)を提案する。 より具体的には、既存のラベル付きデータセットから識別情報を付加的な知識として抽出する。 提案手法を検証するために,4つのSARデータセットについて広範な実験を行った。
  論文  参考訳（メタデータ） (2022-01-22T02:50:50Z)
• SignalNet: A Low Resolution Sinusoid Decomposition and Estimation Network [79.04274563889548]
  本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。 基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。 シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
  論文  参考訳（メタデータ） (2021-06-10T04:21:20Z)
• Deep Cellular Recurrent Network for Efficient Analysis of Time-Series Data with Spatial Information [52.635997570873194]
  本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。 提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
  論文  参考訳（メタデータ） (2021-01-12T20:08:18Z)
• Handling Variable-Dimensional Time Series with Graph Neural Networks [20.788813485815698]
  IoT(Internet of Things)テクノロジは、複数のセンサからデータをキャプチャして、複数のセンサ時系列を生成する。 このようなマルチセンサー時系列モデリングのための既存のニューラルネットワークに基づくアプローチは、一定の入力次元またはセンサー数を想定している。 我々は、時系列のソースごとに異なるセンサーのサブセットの可用性やインストールにより、時系列が入力次元の異なるマルチセンサ時系列からニューラルネットワークモデルをトレーニングすることを検討する。
  論文  参考訳（メタデータ） (2020-07-01T12:11:16Z)
• Learning a Probabilistic Strategy for Computational Imaging Sensor Selection [16.553234762932938]
  本稿では,センサ設計のための確率的センササンプリング戦略を学習する物理制約付き,完全微分可能なオートエンコーダを提案する。 提案手法は,センサ選択の相関関係を2次完全接続型Isingモデルとして特徴付ける,システムに好まれるサンプリング分布を学習する。
  論文  参考訳（メタデータ） (2020-03-23T17:52:17Z)

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。