論文の概要: Optimizing sensors placement in complex networks for localization of
hidden signal source: A review
- arxiv url: http://arxiv.org/abs/2012.01876v1
- Date: Thu, 3 Dec 2020 12:45:29 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-22 05:38:14.792873
- Title: Optimizing sensors placement in complex networks for localization of
hidden signal source: A review
- Title（参考訳）: 隠れ信号源の局所化のための複雑なネットワークにおけるセンサ配置の最適化
- Authors: Robert Paluch, {\L}ukasz G. Gajewski, Janusz A. Ho{\l}yst, Boleslaw K.
Szymanski
- Abstract要約: 我々は、他の4つの指標と比較した、集合的相互性と呼ばれる新しいグラフ測度を提案する。
最適な方法を選択することは、非常にネットワーク的であり、分散に依存しているのに対して、一貫して顕著な方法が2つあることに気付きました。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: As the world becomes more and more interconnected, our everyday objects
become part of the Internet of Things, and our lives get more and more mirrored
in virtual reality, where every piece of~information, including misinformation,
fake news and malware, can spread very fast practically anonymously. To
suppress such uncontrolled spread, efficient computer systems and algorithms
capable to~track down such malicious information spread have to be developed.
Currently, the most effective methods for source localization are based on
sensors which provide the times at which they detect the~spread. We investigate
the problem of the optimal placement of such sensors in complex networks and
propose a new graph measure, called Collective Betweenness, which we compare
against four other metrics. Extensive numerical tests are performed on
different types of complex networks over the wide ranges of densities of
sensors and stochasticities of signal. In these tests, we discovered clear
difference in comparative performance of the investigated optimal placement
methods between real or scale-free synthetic networks versus narrow degree
distribution networks. The former have a clear region for any given method's
dominance in contrast to the latter where the performance maps are less
homogeneous. We find that while choosing the best method is very network and
spread dependent, there are two methods that consistently stand out. High
Variance Observers seem to do very well for spread with low stochasticity
whereas Collective Betwenness, introduced in this paper, thrives when the
spread is highly unpredictable.
- Abstract（参考訳）: 世界がますます相互に結びつくようになるにつれて、私たちの日常のオブジェクトはモノのインターネットの一部となり、私たちの生活はますますバーチャルリアリティーに反映されていく。
このような非制御的な拡散を抑制するためには、そのような悪意ある情報を追跡できる効率的なコンピュータシステムとアルゴリズムを開発する必要がある。
現在、ソースローカライゼーションの最も効果的な方法は、--spreadを検出する時間を提供するセンサーに基づいている。
複雑なネットワークにおけるセンサの最適配置の問題を調査し、他の4つの指標と比較した「コレクティブ・インターフェクション」と呼ばれる新しいグラフ尺度を提案する。
センサの密度や信号の確率の広い範囲にわたって、様々な種類の複雑なネットワーク上で広範な数値実験が行われる。
そこで,本実験では,実およびスケールフリー合成ネットワークと狭い分布ネットワークとの最適配置法の比較性能の違いを明らかにした。
前者は、パフォーマンスマップが均質でない後者とは対照的に、任意のメソッドの支配に対して明確な領域を持つ。
ベストな方法を選ぶことは、非常にネットワーク的で、広く依存するものですが、一貫して際立った方法が2つあります。
高変動オブザーバは低確率で拡散するのに対して,本論文で紹介した集合的Betwennessは,拡散が予測不可能なときに成長する。
関連論文リスト
- Optimizing Sensor Network Design for Multiple Coverage [0.9668407688201359]
本稿では,より効率的で堅牢なセンサネットワークを設計するgreedy (next-best-view)アルゴリズムの目的関数を提案する。
また、ほぼリアルタイムで計算を行うアルゴリズムを高速化するためのディープラーニングモデルも導入する。
論文 参考訳（メタデータ） (2024-05-15T05:13:20Z) - Physical-Layer Semantic-Aware Network for Zero-Shot Wireless Sensing [74.12670841657038]
デバイスレスワイヤレスセンシングは、幅広い没入型人間機械対話型アプリケーションをサポートする可能性から、近年、大きな関心を集めている。
無線信号におけるデータの均一性と分散センシングにおけるデータプライバシ規制は、広域ネットワークシステムにおける無線センシングの広範な適用を妨げる主要な課題であると考えられている。
そこで本研究では,ラベル付きデータを使わずに,一箇所ないし限られた箇所で構築されたモデルを直接他の場所に転送できるゼロショット無線センシングソリューションを提案する。
論文 参考訳（メタデータ） (2023-12-08T13:50:30Z) - Shared Manifold Learning Using a Triplet Network for Multiple Sensor
Translation and Fusion with Missing Data [2.452410403088629]
コントラスト学習に基づくマルチモーダルアライメントネットワーク(CoMMANet)を提案する。
提案アーキテクチャでは,マルチモーダルな三重項オートエンコーダを用いて,各不均一なモジュラリティの同一クラスのサンプルが互いに近接してマッピングされるように潜在空間をクラスタリングする。
論文 参考訳（メタデータ） (2022-10-25T20:22:09Z) - Correlating sparse sensing for large-scale traffic speed estimation: A
Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。
次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
論文 参考訳（メタデータ） (2022-10-21T07:25:57Z) - Bandwidth-efficient distributed neural network architectures with
application to body sensor networks [73.02174868813475]
本稿では,分散ニューラルネットワークアーキテクチャを設計するための概念設計手法について述べる。
提案手法により,損失を最小限に抑えつつ,最大20倍の帯域幅削減が可能となることを示す。
本稿では,ウェアラブル脳-コンピュータインタフェースに焦点をあてるが,他のセンサネットワークアプリケーションにも適用できる。
論文 参考訳（メタデータ） (2022-10-14T12:35:32Z) - Evaluating the Label Efficiency of Contrastive Self-Supervised Learning
for Multi-Resolution Satellite Imagery [0.0]
遠隔センシング領域における自己教師付き学習は、容易に利用可能なラベル付きデータを活用するために応用されている。
本稿では,ラベル効率のレンズを用いた自己教師型視覚表現学習について検討する。
論文 参考訳（メタデータ） (2022-10-13T06:54:13Z) - An Online Ensemble Learning Model for Detecting Attacks in Wireless
Sensor Networks [0.0]
我々は、アンサンブル学習として知られる重要な機械学習の概念を適用して、インテリジェントで効率的で、かつ、高機能な侵入検知システムを開発する。
本稿では,感覚データ解析における同種・異種のオンラインアンサンブルの応用について検討する。
提案されたオンラインアンサンブルのうち、アダプティブ・ランダム・フォレスト(ARF)とHoeffding Adaptive Tree(HAT)アルゴリズムを組み合わせた異種アンサンブルと、10モデルからなる同種アンサンブルHATは、それぞれ96.84%と97.2%という高い検出率を達成した。
論文 参考訳（メタデータ） (2022-04-28T23:10:47Z) - MD-CSDNetwork: Multi-Domain Cross Stitched Network for Deepfake
Detection [80.83725644958633]
現在のディープフェイク生成法では、偽画像やビデオの周波数スペクトルに識別的アーティファクトが残されている。
MD-CSDNetwork(MD-CSDNetwork)と呼ばれる新しい手法を提案する。
論文 参考訳（メタデータ） (2021-09-15T14:11:53Z) - Manifold Regularized Dynamic Network Pruning [102.24146031250034]
本稿では,全インスタンスの多様体情報をプルーンドネットワークの空間に埋め込むことにより,冗長フィルタを動的に除去する新しいパラダイムを提案する。
提案手法の有効性をいくつかのベンチマークで検証し,精度と計算コストの両面で優れた性能を示す。
論文 参考訳（メタデータ） (2021-03-10T03:59:03Z) - Unsupervised Metric Relocalization Using Transform Consistency Loss [66.19479868638925]
メートル法再ローカライズを行うためのトレーニングネットワークは、従来、正確な画像対応が必要である。
地図内のクエリ画像のローカライズは、登録に使用される参照画像に関係なく、同じ絶対的なポーズを与えるべきである。
提案手法は, 限られた地下構造情報が得られる場合に, 他の教師あり手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2020-11-01T19:24:27Z) - Distributed Optimization, Averaging via ADMM, and Network Topology [0.0]
センサローカライゼーションの現実問題において,ネットワークトポロジと異なるアルゴリズムの収束率の関係について検討する。
また、ADMMと持ち上げマルコフ連鎖の間の興味深い関係を示すとともに、その収束を明示的に特徴づける。
論文 参考訳（メタデータ） (2020-09-05T21:44:39Z)
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。