論文の概要: A Lightweight Concept Drift Detection and Adaptation Framework for IoT
Data Streams
- arxiv url: http://arxiv.org/abs/2104.10529v1
- Date: Wed, 21 Apr 2021 13:41:41 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-22 14:35:02.466155
- Title: A Lightweight Concept Drift Detection and Adaptation Framework for IoT
Data Streams
- Title(参考訳): IoTデータストリームのための軽量なコンセプトドリフト検出と適応フレームワーク
- Authors: Li Yang, Abdallah Shami
- Abstract要約: 最適化されたLightGBMとコンセプトドリフト適応に基づく,異常検出のための適応型IoTストリーミングデータ分析フレームワークを提案する。
2つの公開データセットの実験は、提案した適応型LightGBMモデルの精度と効率を示す。
- 参考スコア(独自算出の注目度): 11.411196708408887
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recent years, with the increasing popularity of "Smart Technology", the
number of Internet of Things (IoT) devices and systems have surged
significantly. Various IoT services and functionalities are based on the
analytics of IoT streaming data. However, IoT data analytics faces concept
drift challenges due to the dynamic nature of IoT systems and the ever-changing
patterns of IoT data streams. In this article, we propose an adaptive IoT
streaming data analytics framework for anomaly detection use cases based on
optimized LightGBM and concept drift adaptation. A novel drift adaptation
method named Optimized Adaptive and Sliding Windowing (OASW) is proposed to
adapt to the pattern changes of online IoT data streams. Experiments on two
public datasets show the high accuracy and efficiency of our proposed adaptive
LightGBM model compared against other state-of-the-art approaches. The proposed
adaptive LightGBM model can perform continuous learning and drift adaptation on
IoT data streams without human intervention.
- Abstract(参考訳): 近年、"スマートテクノロジ"の人気が高まり、iot(internet of things)デバイスやシステムの数は大幅に増加している。
さまざまなIoTサービスと機能は、IoTストリーミングデータの分析に基づいています。
しかし、IoTデータ分析は、IoTシステムのダイナミックな性質と、IoTデータストリームの絶え間なく変化するパターンのために、コンセプトドリフトの課題に直面している。
本稿では、最適化されたLightGBMとコンセプトドリフト適応に基づく、異常検出ユースケースに対する適応型IoTストリーミングデータ分析フレームワークを提案する。
オンラインIoTデータストリームのパターン変化に対応するために,OASW (Optimized Adaptive and Sliding Windowing) という新しいドリフト適応手法を提案する。
2つの公開データセットの実験により、提案した適応型LightGBMモデルの精度と効率が、他の最先端のアプローチと比較された。
提案した適応LightGBMモデルは、人間の介入なしにIoTデータストリーム上で連続的な学習とドリフト適応を実行することができる。
関連論文リスト
- Federated Deep Learning for Intrusion Detection in IoT Networks [1.3097853961043058]
AIベースの侵入検知システム(IDS)を分散IoTシステムに実装する一般的なアプローチは、中央集権的な方法である。
このアプローチはデータのプライバシを侵害し、IDSのスケーラビリティを禁止します。
我々は、実世界の実験代表を設計し、FLベースのIDSの性能を評価する。
論文 参考訳(メタデータ) (2023-06-05T09:08:24Z) - Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。
CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。
睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
論文 参考訳(メタデータ) (2023-05-30T08:24:01Z) - IoT Data Analytics in Dynamic Environments: From An Automated Machine
Learning Perspective [10.350337750192997]
本稿では,AutoMLの領域におけるモデル選択,チューニング,手順の更新において,既存の手法の見直しを行う。
我々の発見を正当化し、産業ユーザや研究者がAutoMLアプローチをよりうまく実装するのを助けるために、AutoMLをIoT異常検出問題に適用するケーススタディが実施されている。
論文 参考訳(メタデータ) (2022-09-16T16:02:56Z) - Real-time Object Detection for Streaming Perception [84.2559631820007]
ストリーミング知覚は,ビデオオンライン知覚の1つの指標として,レイテンシと精度を共同評価するために提案される。
ストリーミング知覚のためのシンプルで効果的なフレームワークを構築します。
提案手法はArgoverse-HDデータセット上での競合性能を実現し,強力なベースラインに比べてAPを4.9%向上させる。
論文 参考訳(メタデータ) (2022-03-23T11:33:27Z) - Bayesian Optimization and Deep Learning forsteering wheel angle
prediction [58.720142291102135]
本研究の目的は,自動走行システムにおける操舵角度予測の精度の高いモデルを得ることである。
BOは限られた試行数で、BOST-LSTMと呼ばれるモデルを特定し、古典的なエンドツーエンド駆動モデルと比較して最も正確な結果を得た。
論文 参考訳(メタデータ) (2021-10-22T15:25:14Z) - PWPAE: An Ensemble Framework for Concept Drift Adaptation in IoT Data
Streams [9.953967527396316]
本稿では,IoTデータストリーム分析による適応型IoT異常検出のためのPWPAE(Performance Weighted Probability Averaging Ensemble)フレームワークを提案する。
2つの公開データセットを用いた実験により,提案手法の有効性を最先端手法と比較した。
論文 参考訳(メタデータ) (2021-09-10T17:50:49Z) - 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) - Roughsets-based Approach for Predicting Battery Life in IoT [1.0775419935941009]
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。
論文 参考訳(メタデータ) (2021-02-09T01:42:04Z) - Contextual-Bandit Anomaly Detection for IoT Data in Distributed
Hierarchical Edge Computing [65.78881372074983]
IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。
本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。
提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
論文 参考訳(メタデータ) (2020-04-15T06:13:33Z) - Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。
本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。
提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
論文 参考訳(メタデータ) (2020-01-10T05:29:17Z)
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。