論文の概要: Roughsets-based Approach for Predicting Battery Life in IoT
- arxiv url: http://arxiv.org/abs/2102.06026v1
- Date: Tue, 9 Feb 2021 01:42:04 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-12 14:03:30.899090
- Title: Roughsets-based Approach for Predicting Battery Life in IoT
- Title（参考訳）: ラフセットに基づくIoTのバッテリ寿命予測手法
- Authors: Rajesh Kaluri, Dharmendra Singh Rajput, Qin Xin, Kuruva Lakshmanna,
Sweta Bhattacharya, Thippa Reddy Gadekallu and Praveen Kumar Reddy Maddikunta
- Abstract要約: 本研究は, 海洋環境におけるIoTフレームワークにおけるバッテリ寿命の持続可能性に関する予測に焦点を当てた。
使用されるデータは、シカゴ地区のビーチの水から収集された公開データセットである。
提案したモデルと機械学習モデルの現状を比較し,その優位性を正当化する。
- 参考スコア（独自算出の注目度）: 1.0775419935941009
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Internet of Things (IoT) and related applications have successfully
contributed towards enhancing the value of life in this planet. The advanced
wireless sensor networks and its revolutionary computational capabilities have
enabled various IoT applications become the next frontier, touching almost all
domains of life. With this enormous progress, energy optimization has also
become a primary concern with the need to attend to green technologies. The
present study focuses on the predictions pertinent to the sustainability of
battery life in IoT frameworks in the marine environment. The data used is a
publicly available dataset collected from the Chicago district beach water.
Firstly, the missing values in the data are replaced with the attribute mean.
Later, one-hot encoding technique is applied for achieving data homogeneity
followed by the standard scalar technique to normalize the data. Then, rough
set theory is used for feature extraction, and the resultant data is fed into a
Deep Neural Network (DNN) model for the optimized prediction results. The
proposed model is then compared with the state of the art machine learning
models and the results justify its superiority on the basis of performance
metrics such as Mean Squared Error, Mean Absolute Error, Root Mean Squared
Error, and Test Variance Score.
- Abstract（参考訳）: Internet of Things(IoT)とその関連アプリケーションは、この惑星における生命の価値を高めるために成功している。
高度なワイヤレスセンサーネットワークとその革新的な計算能力により、さまざまなIoTアプリケーションが次のフロンティアとなり、人生のほぼすべての領域に触れています。
この大きな進歩により、エネルギー最適化はグリーン技術への出席の必要性に対する主要な関心事となっている。
本研究は, 海洋環境におけるIoTフレームワークにおけるバッテリ寿命の持続可能性に関する予測に焦点を当てた。
使用されるデータは、シカゴ地区のビーチウォーターから収集された公開データセットです。
まず、データの欠落した値は属性平均に置き換えられます。
その後、データの均質性を達成するためにワンホット符号化技術が適用され、標準スカラー技術がデータを正規化します。
次に、大まかな集合理論を特徴抽出に用い、その結果データをDeep Neural Network (DNN)モデルにフィードバックして最適化された予測結果を得る。
提案されたモデルは、最新の機械学習モデルと比較され、平均二乗誤差、平均絶対誤差、根平均二乗誤差、テスト分散スコアなどのパフォーマンス指標に基づいて、その優位性を正当化します。
関連論文リスト
- What Really Matters for Learning-based LiDAR-Camera Calibration [50.2608502974106]
本稿では,学習に基づくLiDAR-Cameraキャリブレーションの開発を再考する。
我々は、広く使われているデータ生成パイプラインによる回帰ベースの手法の限界を識別する。
また,入力データ形式と前処理操作がネットワーク性能に与える影響についても検討する。
論文 参考訳（メタデータ） (2025-01-28T14:12:32Z) - Transfer Learning for Deep Learning-based Prediction of Lattice Thermal Conductivity [0.0]
深層学習モデル(ParAIsite)の精度と一般化性に及ぼす伝達学習の影響について検討する。
格子熱伝導率(LTC)の低品質近似の大規模なデータセット上で、初めて微調整を行うと、さらに改善が得られた。
有望な結果は、低熱伝導率材料を探索する大きなデータベースを探索する能力を高めるための道を開く。
論文 参考訳（メタデータ） (2024-11-27T11:57:58Z) - An Investigation on Machine Learning Predictive Accuracy Improvement and Uncertainty Reduction using VAE-based Data Augmentation [2.517043342442487]
深層生成学習は、特定のMLモデルを使用して、既存のデータの基盤となる分布を学習し、実際のデータに似た合成サンプルを生成する。
本研究では,変分オートエンコーダ(VAE)を用いた深部生成モデルを用いて,データ拡張の有効性を評価することを目的とする。
本研究では,拡張データを用いてトレーニングしたディープニューラルネットワーク(DNN)モデルの予測において,データ拡張が精度の向上につながるかどうかを検討した。
論文 参考訳（メタデータ） (2024-10-24T18:15:48Z) - Automatic AI Model Selection for Wireless Systems: Online Learning via Digital Twinning [50.332027356848094]
AIベースのアプリケーションは、スケジューリングや電力制御などの機能を実行するために、インテリジェントコントローラにデプロイされる。
コンテキストとAIモデルのパラメータのマッピングは、ゼロショット方式で理想的に行われる。
本稿では,AMSマッピングのオンライン最適化のための一般的な手法を紹介する。
論文 参考訳（メタデータ） (2024-06-22T11:17:50Z) - On the Efficiency and Robustness of Vibration-based Foundation Models for IoT Sensing: A Case Study [7.0723456126359245]
本稿では,(クラスの)IoTアプリケーションにおける実行時推論の堅牢性を改善するために,未ラベルのセンシングデータで事前学習した振動ベースファンデーションモデル(FM)の可能性を示す。
音響・地震探査を用いた車両分類を応用したケーススタディが提案されている。
論文 参考訳（メタデータ） (2024-04-03T05:04:06Z) - SIRST-5K: Exploring Massive Negatives Synthesis with Self-supervised
Learning for Robust Infrared Small Target Detection [53.19618419772467]
単一フレーム赤外線小ターゲット検出(SIRST)は、乱雑な背景から小さなターゲットを認識することを目的としている。
Transformerの開発に伴い、SIRSTモデルのスケールは常に増大している。
赤外線小ターゲットデータの多彩な多様性により,本アルゴリズムはモデル性能と収束速度を大幅に改善する。
論文 参考訳（メタデータ） (2024-03-08T16:14:54Z) - Energy-Efficient Edge Learning via Joint Data Deepening-and-Prefetching [9.468399367975984]
我々は、JD2P(Joint Data Deepening-and-Prefetching)と呼ばれる新しいオフロードアーキテクチャを提案する。
JD2Pは2つの主要な技術からなる機能ごとのオフロードである。
MNISTデータセットを用いてJD2Pの有効性を評価する。
論文 参考訳（メタデータ） (2024-02-19T08:12:47Z) - SudokuSens: Enhancing Deep Learning Robustness for IoT Sensing
Applications using a Generative Approach [8.647778968634595]
本稿では、機械学習ベースのIoT(Internet-of-Things)アプリケーションにおいて、トレーニングデータの自動生成のための生成フレームワークであるSudokuSensを紹介する。
このフレームワークは、結果のディープラーニングモデルの堅牢性を改善し、データ収集が高価であるIoTアプリケーションを対象としている。
論文 参考訳（メタデータ） (2024-02-03T22:08:11Z) - Filling the Missing: Exploring Generative AI for Enhanced Federated
Learning over Heterogeneous Mobile Edge Devices [72.61177465035031]
ローカルデータのFIMI(FIlling the MIssing)部分を活用することにより,これらの課題に対処する,AIを活用した創発的なフェデレーション学習を提案する。
実験の結果,FIMIはデバイス側エネルギーの最大50%を節約し,目標とするグローバルテスト精度を達成できることがわかった。
論文 参考訳（メタデータ） (2023-10-21T12:07:04Z) - Synthetic data, real errors: how (not) to publish and use synthetic data [86.65594304109567]
生成過程が下流MLタスクにどのように影響するかを示す。
本稿では、生成プロセスモデルパラメータの後方分布を近似するために、Deep Generative Ensemble (DGE)を導入する。
論文 参考訳（メタデータ） (2023-05-16T07:30:29Z) - Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge
Computing: A Contextual-Bandit Approach [81.5261621619557]
階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。
まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。
そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
論文 参考訳（メタデータ） (2021-08-09T08:45:47Z)
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。