論文の概要: Federated Learning in the Sky: Aerial-Ground Air Quality Sensing
Framework with UAV Swarms
- arxiv url: http://arxiv.org/abs/2007.12004v1
- Date: Thu, 23 Jul 2020 13:32:47 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-07 13:14:15.105922
- Title: Federated Learning in the Sky: Aerial-Ground Air Quality Sensing
Framework with UAV Swarms
- Title（参考訳）: 空域におけるフェデレーション学習:UAVスワーミングによる空中空気質センシングフレームワーク
- Authors: Yi Liu, Jiangtian Nie, Xuandi Li, Syed Hassan Ahmed, Wei Yang Bryan
Lim, Chunyan Miao
- Abstract要約: 空気質は人間の健康に大きく影響し、空気質指数(AQI)の正確かつタイムリーな予測がますます重要になっている。
本稿では, 精密な3次元空気質モニタリングと予測を行うための, 新たなフェデレーション学習型地上空気質検知フレームワークを提案する。
地中センシングシステムでは, グラフ畳み込みニューラルネットワークを用いたLong Short-Term Memory (GC-LSTM) モデルを提案し, 高精度, リアルタイム, 将来的なAQI推論を実現する。
- 参考スコア（独自算出の注目度）: 53.38353133198842
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Due to air quality significantly affects human health, it is becoming
increasingly important to accurately and timely predict the Air Quality Index
(AQI). To this end, this paper proposes a new federated learning-based
aerial-ground air quality sensing framework for fine-grained 3D air quality
monitoring and forecasting. Specifically, in the air, this framework leverages
a light-weight Dense-MobileNet model to achieve energy-efficient end-to-end
learning from haze features of haze images taken by Unmanned Aerial Vehicles
(UAVs) for predicting AQI scale distribution. Furthermore, the Federated
Learning Framework not only allows various organizations or institutions to
collaboratively learn a well-trained global model to monitor AQI without
compromising privacy, but also expands the scope of UAV swarms monitoring. For
ground sensing systems, we propose a Graph Convolutional neural network-based
Long Short-Term Memory (GC-LSTM) model to achieve accurate, real-time and
future AQI inference. The GC-LSTM model utilizes the topological structure of
the ground monitoring station to capture the spatio-temporal correlation of
historical observation data, which helps the aerial-ground sensing system to
achieve accurate AQI inference. Through extensive case studies on a real-world
dataset, numerical results show that the proposed framework can achieve
accurate and energy-efficient AQI sensing without compromising the privacy of
raw data.
- Abstract（参考訳）: 空気質が人間の健康に大きく影響するため、空気質指数(AQI)を正確にタイムリーに予測することがますます重要になっている。
そこで本研究では, 粒度3次元空気質モニタリングと予測のための, 新たなフェデレート学習による地上空気質検知フレームワークを提案する。
具体的には、このフレームワークは軽量なDense-MobileNetモデルを利用して、無人航空機(UAV)が撮影したヘイズ画像からエネルギー効率の高いエンドツーエンド学習を実現し、AQIスケールの分布を予測する。
さらに、フェデレートラーニングフレームワークは、様々な組織や機関が、プライバシーを損なうことなく、AQIを監視するための十分に訓練されたグローバルモデルを学ぶことができるだけでなく、UAVSwarmsモニタリングの範囲を広げる。
地中センシングシステムでは, グラフ畳み込みニューラルネットワークを用いたLong Short-Term Memory (GC-LSTM) モデルを提案し, 高精度, リアルタイム, 将来的なAQI推論を実現する。
GC-LSTMモデルは、地上監視局のトポロジ的構造を利用して、歴史的観測データの時空間的相関を捉え、地上センシングシステムによる正確なAQI推定を支援する。
実世界のデータセットに関する広範囲なケーススタディを通じて,提案手法が生データのプライバシを損なうことなく,正確でエネルギー効率の良いaqiセンシングを実現することを示す。
関連論文リスト
- Developing Gridded Emission Inventory from High-Resolution Satellite Object Detection for Improved Air Quality Forecasts [1.4238093681454425]
本研究では, 気象研究・予測モデルと化学(WRF Chem)を併用した, ダイナミックなAIベースの排出在庫システム構築のための革新的なアプローチを提案する。
このシステムは、エミッション推定において前例のない時間的および空間的な解決を提供し、より正確な短期的な空気質予測と都市エミッションのダイナミクスに関する深い洞察を促進する。
今後の研究は、システムの能力を非車両に拡張し、環境条件に挑戦する際の検出精度をさらに向上することに焦点を当てる。
論文 参考訳（メタデータ） (2024-10-14T01:32:45Z) - SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。
伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。
本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
論文 参考訳（メタデータ） (2024-05-29T08:00:15Z) - Observation-Guided Meteorological Field Downscaling at Station Scale: A
Benchmark and a New Method [66.80344502790231]
気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。
データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。
提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
論文 参考訳（メタデータ） (2024-01-22T14:02:56Z) - Towards an end-to-end artificial intelligence driven global weather forecasting system [57.5191940978886]
我々は,地球規模の気象変動に対するAIに基づくデータ同化モデル,すなわちAdasを提案する。
我々は,アダスが地球観測を同化して高品質な分析を行い,長期にわたって安定して運用できることを実証した。
この手法を現実のシナリオに適用するのは,私たちが初めてです。
論文 参考訳（メタデータ） (2023-12-18T09:05:28Z) - Over-the-Air Federated Learning and Optimization [52.5188988624998]
エッジ・ザ・エア計算(AirComp)によるフェデレーション学習(FL)に焦点を当てる。
本稿では,AirComp ベースの FedAvg (AirFedAvg) アルゴリズムの凸および非凸条件下での収束について述べる。
エッジデバイス(モデル、勾配、モデル差など)で送信できるローカルアップデートの種類によって、AirFedAvgで送信するとアグリゲーションエラーが発生する可能性がある。
さらに、より実用的な信号処理方式を検討し、通信効率を改善し、これらの信号処理方式によって引き起こされるモデル集約誤差の異なる形式に収束解析を拡張する。
論文 参考訳（メタデータ） (2023-10-16T05:49:28Z) - GreenEyes: An Air Quality Evaluating Model based on WaveNet [11.513011576336744]
本稿では,シーケンスの表現を学習するためのWaveNetベースのバックボーンブロックと,テンポラルアテンションモジュールを用いたLSTMで構成されるディープニューラルネットワークモデルを提案する。
我々は,データセットから得られた空気質データの任意の部分について,次のタイムスタンプの空気質レベルを効果的に予測できることを示す。
論文 参考訳（メタデータ） (2022-12-08T10:28:57Z) - AirSPEC: An IoT-empowered Air Quality Monitoring System integrated with
a Machine Learning Framework to Detect and Predict defined Air Quality
parameters [0.0]
機械学習モデルにより実装が容易で、セマンティックに配布され、権限を与える新しいモノのインターネットフレームワークが提案されている。
提案システムは,一次センサデータを処理,可視化,保存するNodeREDダッシュボードを備えている。
ダッシュボードは、時間的および地理空間的な空気質予測を得るために、機械学習モデルと統合されている。
論文 参考訳（メタデータ） (2021-11-28T12:13:30Z) - Joint Air Quality and Weather Prediction Based on Multi-Adversarial
Spatiotemporal Networks [44.34236994440102]
本稿では,複数対数連続グラフニューラルネットワーク(MasterGNN)を共同空気質と天気予報のために提案する。
具体的には,大気質と気象モニタリングステーション間の不均一な自己時間相関をモデル化するグラフニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2020-12-30T04:42:03Z) - Adaptive machine learning strategies for network calibration of IoT
smart air quality monitoring devices [1.957338076370071]
低コストの化学マイクロセンサーアレイは、比較的正確な大気汚染物質定量推定を提供することができる。
これらの精度は、いくつかの技術的問題の負の影響により、長期の現場展開において制限されている。
本研究では,マルチセンサキャリブレーションモデルの妥当性を高めるために,適応学習戦略を用いた非定常フレームワークを提案する。
論文 参考訳（メタデータ） (2020-03-24T10:26:51Z) - Federated Learning in the Sky: Joint Power Allocation and Scheduling
with UAV Swarms [98.78553146823829]
無人航空機(UAV)は様々なタスクを実行するために機械学習(ML)を利用する必要がある。
本稿では,UAVスワム内に分散学習(FL)アルゴリズムを実装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） (2020-02-19T14:04:01Z)
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。