論文の概要: MTNet: A Multi-Task Neural Network for On-Field Calibration of Low-Cost Air Monitoring Sensors

• arxiv url: http://arxiv.org/abs/2105.04425v1
• Date: Mon, 10 May 2021 14:36:16 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-11 14:43:36.018570
• Title: MTNet: A Multi-Task Neural Network for On-Field Calibration of Low-Cost Air Monitoring Sensors
• Title（参考訳）: MTNet:低コスト空気モニタリングセンサのオンフィールド校正のためのマルチタスクニューラルネットワーク
• Authors: Haomin Yu and Yangli-ao Geng and Yingjun Zhang and Qingyong Li and Jiayu Zhou
• Abstract要約: 複数のセンサを同時に校正するマルチタスクキャリブレーションネットワーク(MTNet)を提案します。 MTNetは単一の共有モジュールといくつかのタスク固有のモジュールで構成されている。 MTNetを実世界の3つのデータセットで評価し,既存のベースラインと比較した。
• 参考スコア（独自算出の注目度）: 41.32471967058139
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The advances of sensor technology enable people to monitor air quality through widely distributed low-cost sensors. However, measurements from these sensors usually encounter high biases and require a calibration step to reach an acceptable performance in down-streaming analytical tasks. Most existing calibration methods calibrate one type of sensor at a time, which we call single-task calibration. Despite the popularity of this single-task schema, it may neglect interactions among calibration tasks of different sensors, which encompass underlying information to promote calibration performance. In this paper, we propose a multi-task calibration network (MTNet) to calibrate multiple sensors (e.g., carbon monoxide and nitrogen oxide sensors) simultaneously, modeling the interactions among tasks. MTNet consists of a single shared module, and several task-specific modules. Specifically, in the shared module, we extend the multi-gate mixture-of-experts structure to harmonize the task conflicts and correlations among different tasks; in each task-specific module, we introduce a feature selection strategy to customize the input for the specific task. These improvements allow MTNet to learn interaction information shared across different tasks, and task-specific information for each calibration task as well. We evaluate MTNet on three real-world datasets and compare it with several established baselines. The experimental results demonstrate that MTNet achieves the state-of-the-art performance.
• Abstract（参考訳）: センサ技術の進歩により、人々は広く分散した低コストセンサーを通して空気の質をモニターできる。 しかし、これらのセンサーからの計測は通常、高いバイアスに遭遇し、ダウンストリーム分析タスクで許容できる性能に達するためにキャリブレーションステップを必要とする。 既存のキャリブレーション手法のほとんどは、単一タスクキャリブレーションと呼ばれる、一度に1種類のセンサーをキャリブレーションする。 このシングルタスクスキーマの人気にもかかわらず、キャリブレーション性能を促進する基礎となる情報を含む、異なるセンサーのキャリブレーションタスク間の相互作用を無視する可能性がある。 本稿では,複数のセンサ(一酸化炭素,酸化窒素センサなど)を同時に校正し,タスク間のインタラクションをモデル化するマルチタスクキャリブレーションネットワーク(mtnet)を提案する。 MTNetは単一の共有モジュールといくつかのタスク固有のモジュールで構成されている。 具体的には、共有モジュールにおいて、タスク間のコンフリクトと相関を調和させるために、マルチゲート・オブ・エキスパート構造を拡張し、各タスク固有のモジュールにおいて、特定のタスクに対する入力をカスタマイズするための特徴選択戦略を導入する。 これらの改善により、MTNetは異なるタスク間で共有されるインタラクション情報や、各キャリブレーションタスクのタスク固有の情報も学習できる。 MTNetを実世界の3つのデータセットで評価し,既存のベースラインと比較した。 実験の結果,MTNetは最先端の性能を実現することがわかった。

関連論文リスト

• AdapMTL: Adaptive Pruning Framework for Multitask Learning Model [5.643658120200373]
  AdapMTLはマルチタスクモデルのための適応型プルーニングフレームワークである。 複数のタスクにまたがって、空間割り当てと精度のパフォーマンスのバランスをとる。 最先端の刈り取り法に比べて優れた性能を示す。
  論文  参考訳（メタデータ） (2024-08-07T17:19:15Z)
• A Global Multi-Unit Calibration as a Method for Large Scale IoT Particulate Matter Monitoring Systems Deployments [0.5779598097190628]
  我々は,IoT AQマルチセンサデバイスのための技術実現手段として,ゼロ転送サンプル,グローバルキャリブレーション手法を提案する。 この作業は、限られた数のIoT AQマルチセンサーユニットと機械学習の概念からのフィールド記録された応答に基づいている。 これらの結果は、適切に導出されると、多数のネットワークデバイスに対して、大域的な校正法を活用できることを示している。
  論文  参考訳（メタデータ） (2023-10-27T13:04:53Z)
• Deformable Mixer Transformer with Gating for Multi-Task Learning of Dense Prediction [126.34551436845133]
  CNNとTransformerには独自の利点があり、MTL(Multi-task Learning)の高密度予測に広く使われている。 本稿では,変形可能なCNNと問合せベースのTransformerの長所を共用したMTLモデルを提案する。
  論文  参考訳（メタデータ） (2023-08-10T17:37:49Z)
• M$^3$ViT: Mixture-of-Experts Vision Transformer for Efficient Multi-task Learning with Model-Accelerator Co-design [95.41238363769892]
  マルチタスク学習(MTL)は、複数の学習タスクを単一のモデルにカプセル化し、それらのタスクを共同でよりよく学習できるようにする。 現在のMTLレギュレータは、1つのタスクだけを実行するためにさえ、ほぼすべてのモデルを起動する必要がある。 効率的なオンデバイスMTLを実現するためのモデル-アクセラレータ共設計フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-26T15:40:24Z)
• Continual Learning for Multivariate Time Series Tasks with Variable Input Dimensions [20.788813485815698]
  このような環境で生じる2つの未調査の実践的課題に焦点をあてる。 タスクレベルで観測されると、タスクからデータを保存または再アクセスすることは許されません。 本稿では,標準的なリカレントニューラルネットワークを支援するために,グラフニューラルネットワークに基づく新しいコンディショニングモジュールを提案する。
  論文  参考訳（メタデータ） (2022-03-14T04:41:02Z)
• CalibDNN: Multimodal Sensor Calibration for Perception Using Deep Neural Networks [27.877734292570967]
  本稿では,マルチモーダルセンサ,特にLiDAR-Cameraペア間の正確な校正のための新しいディープラーニング駆動技術(CalibDNN)を提案する。 全体の処理は、単一のモデルと単一のイテレーションで完全に自動です。 異なる手法と異なるデータセットに対する広範な実験の結果は、最先端の性能を示している。
  論文  参考訳（メタデータ） (2021-03-27T02:43:37Z)
• Controllable Pareto Multi-Task Learning [55.945680594691076]
  マルチタスク学習システムは,複数のタスクを同時に解決することを目的としている。 固定されたモデルキャパシティでは、タスクは互いに衝突し、システムは通常、それらすべてを学ぶためにトレードオフをしなければならない。 本研究では,異なるタスク間のリアルタイムなトレードオフ制御を実現するための,新しい制御可能なマルチタスク学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-10-13T11:53:55Z)
• Reparameterizing Convolutions for Incremental Multi-Task Learning without Task Interference [75.95287293847697]
  マルチタスクモデルを開発する際の2つの一般的な課題は、しばしば文献で見過ごされる。 まず、モデルを本質的に漸進的に可能にし、以前に学んだことを忘れずに新しいタスクから情報を継続的に取り入れる(インクリメンタルラーニング)。 第二に、タスク間の有害な相互作用を排除し、マルチタスク設定(タスク干渉)においてシングルタスクのパフォーマンスを著しく低下させることが示されている。
  論文  参考訳（メタデータ） (2020-07-24T14:44:46Z)
• Intra Order-preserving Functions for Calibration of Multi-Class Neural Networks [54.23874144090228]
  一般的なアプローチは、元のネットワークの出力をキャリブレーションされた信頼スコアに変換する、ポストホックキャリブレーション関数を学ぶことである。 以前のポストホックキャリブレーション技術は単純なキャリブレーション機能でしか機能しない。 本稿では,順序保存関数のクラスを表すニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-03-15T12:57:21Z)

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。