論文の概要: Data-aided Sensing for Gaussian Process Regression in IoT Systems
- arxiv url: http://arxiv.org/abs/2011.11725v1
- Date: Mon, 23 Nov 2020 20:59:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-22 03:30:24.402450
- Title: Data-aided Sensing for Gaussian Process Regression in IoT Systems
- Title（参考訳）: IoTシステムにおけるガウス過程回帰のためのデータ支援センシング
- Authors: Jinho Choi
- Abstract要約: 我々は,インターネット・オブ・シングス・システムにおいて,センサから収集したデータセットの学習にデータアシストセンシングを用いる。
データ支援センシングによるガウス過程回帰の精度向上に寄与し,予測によるマルチチャネルALOHAの修正が有効であることを示す。
- 参考スコア（独自算出の注目度）: 48.523643863141466
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, for efficient data collection with limited bandwidth,
data-aided sensing is applied to Gaussian process regression that is used to
learn data sets collected from sensors in Internet-of-Things systems. We focus
on the interpolation of sensors' measurements from a small number of
measurements uploaded by a fraction of sensors using Gaussian process
regression with data-aided sensing. Thanks to active sensor selection, it is
shown that Gaussian process regression with data-aided sensing can provide a
good estimate of a complete data set compared to that with random selection.
With multichannel ALOHA, data-aided sensing is generalized for distributed
selective uploading when sensors can have feedback of predictions of their
measurements so that each sensor can decide whether or not it uploads by
comparing its measurement with the predicted one. Numerical results show that
modified multichannel ALOHA with predictions can help improve the performance
of Gaussian process regression with data-aided sensing compared to conventional
multichannel ALOHA with equal uploading probability.
- Abstract（参考訳）: 本稿では,インターネット・オブ・シングシステムにおいて,センサから収集したデータセットを学習するために用いられるガウス過程回帰法に対して,帯域幅の制限された効率的なデータ収集を行う。
我々は,少数のセンサがアップロードした少数の計測データから,ガウス過程回帰とデータ支援センシングを用いたセンサ計測の補間に焦点をあてる。
アクティブなセンサ選択により,データ支援センシングを用いたガウス過程の回帰は,ランダム選択と比べ,完全なデータセットを適切に推定できることが示されている。
マルチチャネルALOHAでは、センサが計測の予測のフィードバックを得られる場合、その測定値と予測値を比較することで、各センサがアップロードするか否かを判断できるように、分散選択的アップロードのためにデータアシストセンシングが一般化される。
数値計算により,従来のマルチチャネルALOHAと同等のアップロード確率を持つ場合と比較して,ガウス過程の回帰をデータ支援センシングにより改善できることが示された。
関連論文リスト
- CoSS: Co-optimizing Sensor and Sampling Rate for Data-Efficient AI in Human Activity Recognition [5.215675032361843]
ニューラルネットワークの最近の進歩は、複数の時系列センサーを用いた人間の活動認識を大幅に改善した。
高周波サンプリングレートの多数のセンサを用いることで結果が向上するが、多くの場合、データ非効率性とANNの不要な拡張につながる。
本稿では,HARタスクにおけるデータ効率向上のための実用的フレームワークを提案する。
論文 参考訳（メタデータ） (2024-01-03T22:04:40Z) - 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) - Sample-dependent Adaptive Temperature Scaling for Improved Calibration [95.7477042886242]
ニューラルネットワークの誤りを補うポストホックアプローチは、温度スケーリングを実行することだ。
入力毎に異なる温度値を予測し、信頼度と精度のミスマッチを調整することを提案する。
CIFAR10/100およびTiny-ImageNetデータセットを用いて,ResNet50およびWideResNet28-10アーキテクチャ上で本手法をテストする。
論文 参考訳（メタデータ） (2022-07-13T14:13:49Z) - Invariance Learning in Deep Neural Networks with Differentiable Laplace
Approximations [76.82124752950148]
我々はデータ拡張を選択するための便利な勾配法を開発した。
我々はKronecker-factored Laplace近似を我々の目的とする限界確率に近似する。
論文 参考訳（メタデータ） (2022-02-22T02:51:11Z) - pmSensing: A Participatory Sensing Network for Predictive Monitoring of
Particulate Matter [0.0]
pmSensingシステムは粒子状物質を測定することを目的としている。
プロトタイプが収集したデータとステーションのデータを比較して検証を行う。
このシステムは、リカレントニューラルネットワークを用いて予測分析を行う。
論文 参考訳（メタデータ） (2021-11-22T17:34:12Z) - Comparison of end-to-end neural network architectures and data
augmentation methods for automatic infant motility assessment using wearable
sensors [7.003610369186623]
本研究では,ウェアラブルセンサから幼児の運動データを処理するためのエンド・ツー・エンドのニューラルネットワークアーキテクチャについて検討した。
実験は7カ月児のマルチセンサー運動記録データを用いて行った。
論文 参考訳（メタデータ） (2021-07-02T14:02:05Z) - Data-aided Sensing for Distributed Detection [48.523643863141466]
我々は,決定遅延制約の対象となる信頼性決定に対して,DASのJ分割に基づくノード選択基準を導出する。
提案した J-divergence に基づくDAS に基づいて,ノードを選択してログ類似率(LLR)を高速化する。
J分割に基づくDASは、他のアプローチと比較して少ないセンサーで信頼性の高い決定を下せることが確認された。
論文 参考訳（メタデータ） (2020-11-17T03:15:44Z) - Evaluating representations by the complexity of learning low-loss
predictors [55.94170724668857]
下流タスクの解決に使用されるデータの表現を評価することの問題点を考察する。
本稿では,関心のあるタスクにおける低損失を実現する表現の上に,予測器を学習する複雑性によって表現の質を測定することを提案する。
論文 参考訳（メタデータ） (2020-09-15T22:06:58Z) - Deep Phase Correlation for End-to-End Heterogeneous Sensor Measurements
Matching [12.93459392278491]
不均一なセンサ計測に適合するエンド・ツー・エンドのディープ位相相関ネットワーク(DPCN)を提案する。
主なコンポーネントは、学習可能な特徴抽出器にポーズエラーをバックプロパゲートする、微分可能な相関ベースの推定器である。
解釈可能なモデリングにより、ネットワークは軽量化され、より良い一般化が期待できる。
論文 参考訳（メタデータ） (2020-08-21T13:42:25Z) - DANA: Dimension-Adaptive Neural Architecture for Multivariate Sensor
Data [37.01965391878387]
ウェアラブルやモバイルデバイスに埋め込まれたモーションセンサーは、センサストリームとサンプリングレートの動的選択を可能にする。
ディープニューラルネットワーク(DNN)は、一定のサンプリングレートで、固定されたセンサーセットからの入力データを処理します。
センサの可利用性やサンプリング率の変化に対して,DNNを柔軟かつ堅牢にするための次元適応型プーリング層を導入する。
論文 参考訳（メタデータ） (2020-08-05T23:42:03Z)
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。