論文の概要: The Synergy of Complex Event Processing and Tiny Machine Learning in Industrial IoT

• arxiv url: http://arxiv.org/abs/2105.03371v1
• Date: Tue, 4 May 2021 14:58:48 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-11 08:37:41.257630
• Title: The Synergy of Complex Event Processing and Tiny Machine Learning in Industrial IoT
• Title（参考訳）: 産業用IoTにおける複合イベント処理とTiny Machine Learningの相乗効果
• Authors: Haoyu Ren, Darko Anicic, Thomas Runkler
• Abstract要約: IIoT(Industrial Internet-of-Things)は、工場運営の効率性と堅牢性を促進します。 様々なセンサーやフィールドデバイスが中心的な役割を担い、製造に関する洞察を提供する大量のリアルタイムデータを生成する。 複雑なイベント処理(CEP)と機械学習(ML)のシナジーは、異種データストリームのパターンを特定し、生データを有形事実に融合するために、IIoTで近年積極的に開発されています。 本稿では,分散センサネットワークのエッジにおけるMLとCEPのシナジーを利用するフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 7.172671995820974
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Focusing on comprehensive networking, big data, and artificial intelligence, the Industrial Internet-of-Things (IIoT) facilitates efficiency and robustness in factory operations. Various sensors and field devices play a central role, as they generate a vast amount of real-time data that can provide insights into manufacturing. The synergy of complex event processing (CEP) and machine learning (ML) has been developed actively in the last years in IIoT to identify patterns in heterogeneous data streams and fuse raw data into tangible facts. In a traditional compute-centric paradigm, the raw field data are continuously sent to the cloud and processed centrally. As IIoT devices become increasingly pervasive and ubiquitous, concerns are raised since transmitting such amount of data is energy-intensive, vulnerable to be intercepted, and subjected to high latency. The data-centric paradigm can essentially solve these problems by empowering IIoT to perform decentralized on-device ML and CEP, keeping data primarily on edge devices and minimizing communications. However, this is no mean feat because most IIoT edge devices are designed to be computationally constrained with low power consumption. This paper proposes a framework that exploits ML and CEP's synergy at the edge in distributed sensor networks. By leveraging tiny ML and micro CEP, we shift the computation from the cloud to the power-constrained IIoT devices and allow users to adapt the on-device ML model and the CEP reasoning logic flexibly on the fly without requiring to reupload the whole program. Lastly, we evaluate the proposed solution and show its effectiveness and feasibility using an industrial use case of machine safety monitoring.
• Abstract（参考訳）: 包括的なネットワーク、ビッグデータ、人工知能に焦点を当てたIIoT(Industrial Internet-of-Things)は、工場運用における効率性と堅牢性を促進する。 様々なセンサーやフィールドデバイスが中心的な役割を担い、製造に関する洞察を提供する大量のリアルタイムデータを生成する。 複合イベント処理(CEP)と機械学習(ML)の相乗効果は、IIoTにおいて、異種データストリームのパターンを特定し、生データを具体的な事実に融合するために、ここ数年で活発に開発されている。 従来の計算中心のパラダイムでは、生のフィールドデータは継続的にクラウドに送られ、中央に処理される。 IIoTデバイスが普及し、ユビキタス化するにつれて、そのような量のデータを送信することはエネルギー集約的で、インターセプトされやすく、レイテンシが高いため、懸念が高まっている。 データ中心のパラダイムは、基本的にこれらの問題を解決するために、IIoTを使用してデバイス上のデバイス上でのMLとCEPを分散化し、データを主にエッジデバイスに保持し、通信を最小化する。 しかし、ほとんどのIIoTエッジデバイスは低消費電力で計算的に制約されるように設計されているため、これは必ずしも大きな成果ではない。 本稿では,分散センサネットワークのエッジにおけるMLとCEPのシナジーを利用するフレームワークを提案する。 小さなMLとマイクロCEPを活用することで、計算をクラウドから電力制約のあるIIoTデバイスに移行し、ユーザはプログラム全体を再アップロードすることなく、オンデバイスMLモデルとCEP推論ロジックを柔軟にオンザフライで適用することができる。 最後に, 機械安全モニタリングの産業利用事例を用いて, 提案手法を評価し, その有効性と実現可能性を示す。

関連論文リスト

• An Energy-Efficient Ensemble Approach for Mitigating Data Incompleteness in IoT Applications [0.0]
  同時にエネルギー効率を向上しながら、データの不完全性に対して堅牢なIoTベースの機械学習システムを構築することが重要である。 ENAMLEは、同時に欠落するデータの影響を緩和するための、能動的でエネルギーに配慮した技術である。 本研究では,ENAMLEのエネルギー効率を示す2つの異なるデータセットについて広範な実験を行った。
  論文  参考訳（メタデータ） (2024-03-15T15:01:48Z)
• 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)
• Edge-assisted U-Shaped Split Federated Learning with Privacy-preserving for Internet of Things [4.68267059122563]
  本稿では,エッジサーバの高性能機能を活用した,エッジ支援型U-Shaped Split Federated Learning (EUSFL) フレームワークを提案する。 このフレームワークでは、フェデレートラーニング(FL)を活用し、データ保持者がデータを共有せずに協調的にモデルをトレーニングできるようにします。 また,データの特徴やラベルが復元攻撃に対して確実に耐えられるように,ラベルDPと呼ばれる新しいノイズ機構を提案する。
  論文  参考訳（メタデータ） (2023-11-08T05:14:41Z)
• 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)
• Online Data Selection for Federated Learning with Limited Storage [53.46789303416799]
  ネットワークデバイス間での分散機械学習を実現するために、フェデレートラーニング(FL)が提案されている。 デバイス上のストレージがFLの性能に与える影響はまだ調査されていない。 本研究では,デバイス上のストレージを限定したFLのオンラインデータ選択について検討する。
  論文  参考訳（メタデータ） (2022-09-01T03:27:33Z)
• Asynchronous Parallel Incremental Block-Coordinate Descent for Decentralized Machine Learning [55.198301429316125]
  機械学習(ML)は、巨大なIoT(Internet of Things)ベースのインテリジェントでユビキタスなコンピューティングのビッグデータ駆動モデリングと分析のための重要なテクニックである。 急成長するアプリケーションやデータ量にとって、分散学習は有望な新興パラダイムである。 本稿では,多くのユーザデバイスに分散した分散システム上でMLモデルをトレーニングする問題について検討する。
  論文  参考訳（メタデータ） (2022-02-07T15:04:15Z)
• Deep Reinforcement Learning Assisted Federated Learning Algorithm for Data Management of IIoT [82.33080550378068]
  産業用IoT(Industrial Internet of Things)の継続的な拡大により、IIoT機器は毎回大量のユーザデータを生成する。 IIoTの分野で、これらの時系列データを効率的かつ安全な方法で管理する方法は、依然として未解決の問題である。 本稿では,無線ネットワーク環境におけるIIoT機器データ管理におけるFL技術の適用について検討する。
  論文  参考訳（メタデータ） (2022-02-03T07:12:36Z)
• Computational Intelligence and Deep Learning for Next-Generation Edge-Enabled Industrial IoT [51.68933585002123]
  エッジ対応産業用IoTネットワークにおける計算知能とディープラーニング(DL)の展開方法について検討する。 本稿では,新しいマルチエグジットベースフェデレーションエッジ学習(ME-FEEL)フレームワークを提案する。 特に、提案されたME-FEELは、非常に限られたリソースを持つ産業用IoTネットワークにおいて、最大32.7%の精度を達成することができる。
  論文  参考訳（メタデータ） (2021-10-28T08:14:57Z)
• Machine Learning for Massive Industrial Internet of Things [69.52379407906017]
  モノのインターネット(IIoT)は、モノのインターネット技術を産業環境に統合することで、将来の製造施設に革命をもたらします。 大規模なIIoTデバイスのデプロイでは、無線ネットワークがさまざまなQoS(Quality-of-Service)要件でユビキタス接続をサポートすることは困難である。 まず、一般的な非クリティカルかつクリティカルなIIoTユースケースの要件を要約します。 次に、大規模なIIoTシナリオと対応する機械学習ソリューションのユニークな特性を、その制限と潜在的な研究方向で識別します。
  論文  参考訳（メタデータ） (2021-03-10T20:10:53Z)
• Wirelessly Powered Federated Edge Learning: Optimal Tradeoffs Between Convergence and Power Transfer [42.30741737568212]
  無線電力伝送(WPT)を用いた電力機器の解法を提案する。 本研究の目的は、無線で駆動するFEEL(WP-FEEL)システムの導入に関するガイドラインの導出である。 その結果、WPTプロビジョニングに関する有用なガイドラインを提供し、学習パフォーマンスの保証を提供します。
  論文  参考訳（メタデータ） (2021-02-24T15:47:34Z)
• Cost-effective Machine Learning Inference Offload for Edge Computing [0.3149883354098941]
  本稿では,インストール・ベース・オンプレミス(edge)計算資源を活用した新しいオフロード機構を提案する。 提案するメカニズムにより、エッジデバイスは、リモートクラウドを使用する代わりに、重い計算集約的なワークロードをエッジノードにオフロードすることができる。
  論文  参考訳（メタデータ） (2020-12-07T21:11:02Z)

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。