論文の概要: Energy Aware Deep Reinforcement Learning Scheduling for Sensors Correlated in Time and Space

• arxiv url: http://arxiv.org/abs/2011.09747v2
• Date: Wed, 29 Sep 2021 15:26:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-23 21:54:32.642512
• Title: Energy Aware Deep Reinforcement Learning Scheduling for Sensors Correlated in Time and Space
• Title（参考訳）: 時間と空間に相関するセンサのためのエネルギーを考慮した深層強化学習スケジューリング
• Authors: Jernej Hribar, Andrei Marinescu, Alessandro Chiumento, and Luiz A. DaSilva
• Abstract要約: 相関情報を利用するスケジューリング機構を提案する。 提案したメカニズムは、センサが更新を送信する頻度を決定することができる。 我々は,センサの寿命を大幅に延長できることを示した。
• 参考スコア（独自算出の注目度）: 62.39318039798564
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Millions of battery-powered sensors deployed for monitoring purposes in a multitude of scenarios, e.g., agriculture, smart cities, industry, etc., require energy-efficient solutions to prolong their lifetime. When these sensors observe a phenomenon distributed in space and evolving in time, it is expected that collected observations will be correlated in time and space. In this paper, we propose a Deep Reinforcement Learning (DRL) based scheduling mechanism capable of taking advantage of correlated information. We design our solution using the Deep Deterministic Policy Gradient (DDPG) algorithm. The proposed mechanism is capable of determining the frequency with which sensors should transmit their updates, to ensure accurate collection of observations, while simultaneously considering the energy available. To evaluate our scheduling mechanism, we use multiple datasets containing environmental observations obtained in multiple real deployments. The real observations enable us to model the environment with which the mechanism interacts as realistically as possible. We show that our solution can significantly extend the sensors' lifetime. We compare our mechanism to an idealized, all-knowing scheduler to demonstrate that its performance is near-optimal. Additionally, we highlight the unique feature of our design, energy-awareness, by displaying the impact of sensors' energy levels on the frequency of updates.
• Abstract（参考訳）: 農業、スマートシティ、産業など、さまざまなシナリオにおいて、監視目的で展開される何百万ものバッテリー駆動センサーは、寿命を延ばすためにエネルギー効率の高いソリューションを必要とする。 これらのセンサが空間に分布し、時間的に進化する現象を観測すると、収集された観測は時間と空間で相関することが期待される。 本稿では,相関情報を利用した深層強化学習(DRL)に基づくスケジューリング機構を提案する。 我々は,Deep Deterministic Policy Gradient (DDPG)アルゴリズムを用いて解を設計する。 提案したメカニズムは、センサが更新を送信すべき頻度を判断し、利用可能なエネルギーを同時に考慮しながら、正確な観測の収集を保証する。 スケジューリング機構を評価するために,複数の実運用で得られた環境観測を含む複数のデータセットを使用する。 実際の観察により、メカニズムができるだけ現実的に相互作用する環境をモデル化することができる。 我々は,センサの寿命を大幅に延長できることを示した。 本機構を理想化された全知識スケジューラと比較し,その性能がほぼ最適であることを示す。 さらに,センサのエネルギーレベルが更新頻度に与える影響を表示することで,設計の特徴である省エネ性を強調した。

関連論文リスト

• Sensor-Aware Classifiers for Energy-Efficient Time Series Applications on IoT Devices [2.7446241148152257]
  時系列データ処理は、健康モニタリング、環境モニタリング、デジタル農業など、多くの実世界のアプリケーションにおいて重要なコンポーネントである。 機械学習(ML)モデルは、分類の一般化能力のため、時系列アプリケーションに採用されている。 精度を維持しつつエネルギー消費を最小限に抑えるため,部分センサウィンドウを備えた早期出口分類器を提案する。
  論文  参考訳（メタデータ） (2024-07-11T17:50:31Z)
• DynST: Dynamic Sparse Training for Resource-Constrained Spatio-Temporal Forecasting [24.00162014044092]
  地球科学システムは、センサーの広範な展開に大きく依存している。 従来のセンサー配置アプローチでは、特定のアルゴリズムを使用してセンサーを設計および展開する。 本稿では,ダイナミックスパーストレーニングのコンセプトを初めて紹介し,重要なセンサデータを動的にフィルタリングすることを約束する。
  論文  参考訳（メタデータ） (2024-03-05T12:31:24Z)
• Environmental Sensor Placement with Convolutional Gaussian Neural Processes [65.13973319334625]
  センサーは、特に南極のような遠隔地において、その測定の情報量が最大になるように配置することは困難である。 確率論的機械学習モデルは、予測の不確実性を最大限に低減するサイトを見つけることによって、情報的センサ配置を提案することができる。 本稿では,これらの問題に対処するために,畳み込み型ガウスニューラルプロセス(ConvGNP)を提案する。
  論文  参考訳（メタデータ） (2022-11-18T17:25:14Z)
• Evaluating Short-Term Forecasting of Multiple Time Series in IoT Environments [67.24598072875744]
  IoT(Internet of Things)環境は、多数のIoT対応センシングデバイスを介して監視される。 この問題を緩和するため、センサーは比較的低いサンプリング周波数で動作するように設定されることが多い。 これは、予測などの後続の意思決定を劇的に妨げる可能性がある。
  論文  参考訳（メタデータ） (2022-06-15T19:46:59Z)
• A Learning Framework for Bandwidth-Efficient Distributed Inference in Wireless IoT [14.211417879279072]
  モノのインターネットでは、各センサーは知覚された観察を圧縮して定量化し、送信する。 既存の圧縮技術やエントロピー量子化器の多くは、再構成忠実度のみをメートル法とみなしている。 相関センサの観測結果を圧縮・定量化するための,新しいディープラーニングベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-03-17T21:52:26Z)
• PhysFormer: Facial Video-based Physiological Measurement with Temporal Difference Transformer [55.936527926778695]
  近年のディープラーニングアプローチは、時間的受容の限られた畳み込みニューラルネットワークを用いた微妙なrの手がかりのマイニングに重点を置いている。 本稿では,エンドツーエンドのビデオトランスをベースとしたアーキテクチャであるPhysFormerを提案する。
  論文  参考訳（メタデータ） (2021-11-23T18:57:11Z)
• IntentNet: Learning to Predict Intention from Raw Sensor Data [86.74403297781039]
  本論文では,LiDARセンサが生成する3次元点群と,環境の動的なマップの両方を利用するワンステージ検出器と予測器を開発した。 当社のマルチタスクモデルは、それぞれの別々のモジュールよりも高い精度を実現し、計算を節約します。
  論文  参考訳（メタデータ） (2021-01-20T00:31:52Z)
• Deep ConvLSTM with self-attention for human activity decoding using wearables [0.0]
  本稿では,複数のセンサ時系列データの特徴を捉えつつ,重要な時間点を選択するディープニューラルネットワークアーキテクチャを提案する。 提案手法の有効性を,異なるデータサンプリング戦略にまたがって示すとともに,自己認識機構が大幅に改善したことを示す。 提案手法は、複数の身体センサからの人間の活動のより優れた復号化を、長期間にわたって行うことができる。
  論文  参考訳（メタデータ） (2020-05-02T04:30:31Z)
• Human Activity Recognition from Wearable Sensor Data Using Self-Attention [2.9023633922848586]
  本稿では,身体のセンサデータから行動認識のための自己認識型ニューラルネットワークモデルを提案する。 一般に公開されている4つのHARデータセット、PAMAP2、Opportunity、Skoda、USC-HADについて実験を行った。 ベンチマークテスト対象とLeave-out-subject評価の両方において,最近の最先端モデルよりも高い性能向上を実現している。
  論文  参考訳（メタデータ） (2020-03-17T14:16:57Z)
• Learning Selective Sensor Fusion for States Estimation [47.76590539558037]
  本稿では,エンド・ツー・エンドのセンサ・フュージョン・モジュールであるSelectFusionを提案する。 予測中、ネットワークは異なるセンサーモードから潜伏する特徴の信頼性を評価することができる。 我々は、公開データセットと漸進的に劣化したデータセットの両方において、すべての融合戦略を広範囲に評価する。
  論文  参考訳（メタデータ） (2019-12-30T20:25:16Z)

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。