論文の概要: Semi-Supervised Learning with GANs for Device-Free Fingerprinting Indoor Localization

• arxiv url: http://arxiv.org/abs/2008.07111v1
• Date: Mon, 17 Aug 2020 06:32:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-28 04:17:55.930575
• Title: Semi-Supervised Learning with GANs for Device-Free Fingerprinting Indoor Localization
• Title（参考訳）: デバイスフリーフィンガープリンティングのためのganを用いた半教師付き学習
• Authors: Kevin M. Chen and Ronald Y. Chang
• Abstract要約: デバイスフリーワイヤレス屋内位置決めはIoT(Internet of Things)の鍵となる技術である 本稿では,GANをベースとしたデバイスフリーフィンガープリント屋内位置推定システムを提案する。
• 参考スコア（独自算出の注目度）: 6.939464860621602
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Device-free wireless indoor localization is a key enabling technology for the Internet of Things (IoT). Fingerprint-based indoor localization techniques are a commonly used solution. This paper proposes a semi-supervised, generative adversarial network (GAN)-based device-free fingerprinting indoor localization system. The proposed system uses a small amount of labeled data and a large amount of unlabeled data (i.e., semi-supervised), thus considerably reducing the expensive data labeling effort. Experimental results show that, as compared to the state-of-the-art supervised scheme, the proposed semi-supervised system achieves comparable performance with equal, sufficient amount of labeled data, and significantly superior performance with equal, highly limited amount of labeled data. Besides, the proposed semi-supervised system retains its performance over a broad range of the amount of labeled data. The interactions between the generator, discriminator, and classifier models of the proposed GAN-based system are visually examined and discussed. A mathematical description of the proposed system is also presented.
• Abstract（参考訳）: デバイスフリーのワイヤレス屋内ローカライゼーションはIoT(Internet of Things)の鍵となる技術である。 指紋ベースの屋内定位技術は一般的なソリューションである。 本稿では,GANをベースとしたデバイスフリーフィンガープリント屋内位置推定システムを提案する。 提案方式では,少量のラベル付きデータと大量のラベル付きデータ(半教師付きデータなど)を用いて,費用のかかるデータラベリング作業を大幅に削減する。 実験結果から,提案した半教師付きシステムは,最先端の教師付きスキームと比較して,同等かつ十分なラベル付きデータと同等の性能と,高い制限のあるラベル付きデータとを比較検討した。 さらに,提案システムでは,ラベル付きデータの広範囲にわたる性能を維持している。 提案システムにおけるジェネレータ,識別器,分類器モデルの相互作用を視覚的に検討し,考察した。 また,提案方式の数学的記述について述べる。

関連論文リスト

• Collaborative Feature-Logits Contrastive Learning for Open-Set Semi-Supervised Object Detection [75.02249869573994]
  オープンセットのシナリオでは、ラベルなしデータセットには、イン・ディストリビューション(ID)クラスとアウト・オブ・ディストリビューション(OOD)クラスの両方が含まれている。 このような設定で半教師付き検出器を適用すると、OODクラスをIDクラスとして誤分類する可能性がある。 我々は、CFL-Detector(Collaborative Feature-Logits Detector)と呼ばれるシンプルで効果的な方法を提案する。
  論文  参考訳（メタデータ） (2024-11-20T02:57:35Z)
• An Automated Approach to Collecting and Labeling Time Series Data for Event Detection Using Elastic Node Hardware [18.15754187896287]
  本稿では,センサデータをIoTデバイス上で直接ラベル付けする新しい組込みシステムを提案する。 本稿では,各種センサデータのキャプチャとラベル付けを効率化する,特殊なラベル付けセンサを備えたハードウェアとソフトウェアの統合ソリューションを提案する。
  論文  参考訳（メタデータ） (2024-07-06T15:19:16Z)
• Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
  我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。 FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。 実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
  論文  参考訳（メタデータ） (2024-01-22T14:16:37Z)
• Improving a Named Entity Recognizer Trained on Noisy Data with a Few Clean Instances [55.37242480995541]
  クリーンなインスタンスの小さなセットから,ノイズの多いNERデータを誘導することで,ノイズを発生させる手法を提案する。 メインのNERモデルとともに、判別器モデルをトレーニングし、その出力を使用してサンプルの重み付けを校正します。 クラウドソーシングと遠隔監視データセットの結果から,提案手法は少ないガイダンスセットで継続的に性能を向上させることができることが示された。
  論文  参考訳（メタデータ） (2023-10-25T17:23:37Z)
• The Wyner Variational Autoencoder for Unsupervised Multi-Layer Wireless Fingerprinting [6.632671046812309]
  識別性能を向上させるための多層署名を共同で検討する多層フィンガープリントフレームワークを提案する。 従来の手法とは対照的に,近年のマルチビュー機械学習のパラダイムを活用して,マルチレイヤ機能間で共有されるデバイス情報を,監督なしでクラスタ化することができる。 実験の結果,提案手法は教師なしと教師なしの両方の設定において,最先端のベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2023-03-28T10:05:06Z)
• Linking data separation, visual separation, and classifier performance using pseudo-labeling by contrastive learning [125.99533416395765]
  最終分類器の性能は、潜在空間に存在するデータ分離と、射影に存在する視覚的分離に依存すると論じる。 本研究は,ヒト腸管寄生虫の5つの現実的課題の画像データセットを1%の教師付きサンプルで分類し,その結果を実証する。
  論文  参考訳（メタデータ） (2023-02-06T10:01:38Z)
• Online Data Selection for Federated Learning with Limited Storage [53.46789303416799]
  ネットワークデバイス間での分散機械学習を実現するために、フェデレートラーニング(FL)が提案されている。 デバイス上のストレージがFLの性能に与える影響はまだ調査されていない。 本研究では,デバイス上のストレージを限定したFLのオンラインデータ選択について検討する。
  論文  参考訳（メタデータ） (2022-09-01T03:27:33Z)
• Few-Shot Transfer Learning for Device-Free Fingerprinting Indoor Localization [5.721124285238145]
  IoT(Internet of Things)におけるデバイスフリーワイヤレス屋内位置決め技術 指紋ベースの手法の一般的な課題は、データ収集とラベル付けである。 本稿では,現在の環境から少量のラベル付きデータのみを利用する,数発の転送学習システムを提案する。
  論文  参考訳（メタデータ） (2022-01-29T20:49:45Z)
• Learning distributed channel access policies for networked estimation: data-driven optimization in the mean-field regime [1.52292571922932]
  共有ネットワーク上でセンサ計測を通信する問題は、多くの現代の大規模分散システムで広く使われている。 本研究では, 平均場法において, トラクタブルな最適化アルゴリズムを実現する構造を示す。 得られた推定システムの性能に対して、有限サンプル複雑度保証を許容するデータ駆動学習方式を得る。
  論文  参考訳（メタデータ） (2021-12-10T21:27:45Z)
• Bridging the gap to real-world for network intrusion detection systems with data-centric approach [1.4699455652461724]
  本稿では、NIDS研究の現在の限界に対処するために、体系的なデータ中心のアプローチを提案する。 最新のネットワークトラフィックとアタックで構成されたNIDSデータセットを生成し、ラベリングプロセスは設計によって統合される。
  論文  参考訳（メタデータ） (2021-10-25T04:50:12Z)
• Learning to Count in the Crowd from Limited Labeled Data [109.2954525909007]
  我々は,限られた数のラベル付きサンプルから参加者を数えることを学ぶことで,アノテーションの努力を減らすことに重点を置いている。 具体的には,未ラベルデータに対する擬似地下真理推定を含むガウス過程に基づく反復学習機構を提案する。
  論文  参考訳（メタデータ） (2020-07-07T04:17:01Z)

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。