論文の概要: Neural Enhanced Belief Propagation for Cooperative Localization
- arxiv url: http://arxiv.org/abs/2105.12903v1
- Date: Thu, 27 May 2021 01:42:54 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-28 16:00:05.778436
- Title: Neural Enhanced Belief Propagation for Cooperative Localization
- Title(参考訳): 協調的局所化のための神経拡張的信念伝播
- Authors: Mingchao Liang, Florian Meyer
- Abstract要約: 位置対応ネットワークは、現代的な利便性、応用海洋科学、公共安全のための革新的なサービスと応用を導入する。
モデルベースおよびデータ駆動推論のためのハイブリッド手法を確立する。
無線ネットワーク内の移動体エージェントが、他のエージェントと相互に観測し、位置情報を交換することで、自らをローカライズすることを目的とした、協調的ローカライゼーション(CL)シナリオを検討する。
- 参考スコア(独自算出の注目度): 6.787897491422112
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Location-aware networks will introduce innovative services and applications
for modern convenience, applied ocean sciences, and public safety. In this
paper, we establish a hybrid method for model-based and data-driven inference.
We consider a cooperative localization (CL) scenario where the mobile agents in
a wireless network aim to localize themselves by performing pairwise
observations with other agents and by exchanging location information. A
traditional method for distributed CL in large agent networks is belief
propagation (BP) which is completely model-based and is known to suffer from
providing inconsistent (overconfident) estimates. The proposed approach
addresses these limitations by complementing BP with learned information
provided by a graph neural network (GNN). We demonstrate numerically that our
method can improve estimation accuracy and avoid overconfident beliefs, while
its computational complexity remains comparable to BP. Notably, more consistent
beliefs are obtained by not explicitly addressing overconfidence in the loss
function used for training of the GNN.
- Abstract(参考訳): 位置対応ネットワークは、現代的な利便性、応用海洋科学、公共安全のための革新的なサービスと応用を導入する。
本稿では,モデルベースとデータ駆動推論のハイブリッド手法を提案する。
本稿では,無線ネットワーク内の移動エージェントが,他のエージェントとのペアワイズによる観測や位置情報の交換によって,自己のローカライズを目指す協調的ローカライズ(cl)シナリオについて考察する。
大規模エージェントネットワークにおける分散clの伝統的な方法は、完全にモデルベースであり、一貫性のない(信頼できる)推定を提供するのに苦しむ信条伝播(bp)である。
提案手法は,グラフニューラルネットワーク(GNN)が提供する学習情報とBPを補完することにより,これらの制約に対処する。
計算複雑性はBPに匹敵するが,提案手法は推定精度を向上し,自信過剰な信念を回避することができることを示す。
特に、より一貫した信念は、GNNの訓練に使用される損失関数の過信に明示的に対処しないことによって得られる。
関連論文リスト
- Neural Network with Local Converging Input (NNLCI) for Supersonic Flow
Problems with Unstructured Grids [0.9152133607343995]
非構造データを用いた高忠実度予測のための局所収束入力(NNLCI)を用いたニューラルネットワークを開発した。
また, NNLCI法を用いて, バンプを有するチャネル内の超音速流の可視化を行った。
論文 参考訳(メタデータ) (2023-10-23T19:03:37Z) - Deep Neural Networks Tend To Extrapolate Predictably [56.04573160453392]
ニューラルネットワークの予測は、アウト・オブ・ディストリビューション(OOD)入力に直面した場合、予測不可能で過信される傾向がある。
我々は、入力データがOODになるにつれて、ニューラルネットワークの予測が一定値に向かう傾向があることを観察する。
我々は、OOD入力の存在下でリスクに敏感な意思決定を可能にするために、私たちの洞察を実際に活用する方法を示します。
論文 参考訳(メタデータ) (2023-10-02T03:25:32Z) - Magnitude Matters: Fixing SIGNSGD Through Magnitude-Aware Sparsification
in the Presence of Data Heterogeneity [60.791736094073]
通信オーバーヘッドは、ディープニューラルネットワークの分散トレーニングにおいて、大きなボトルネックのひとつになっています。
本稿では,SIGNSGDの非収束問題に対処する等級化方式を提案する。
提案手法は,Fashion-MNIST, CIFAR-10, CIFAR-100データセットを用いて検証した。
論文 参考訳(メタデータ) (2023-02-19T17:42:35Z) - Robust Learning via Ensemble Density Propagation in Deep Neural Networks [6.0122901245834015]
本稿では,ディープニューラルネットワーク(DNN)の層を通した密度伝搬の問題を定式化し,それをエンサンブル密度伝搬法を用いて解く。
MNISTとCIFAR-10データセットを用いた実験は、ランダムノイズや敵攻撃に対するトレーニングモデルの堅牢性を大幅に改善したことを示している。
論文 参考訳(メタデータ) (2021-11-10T21:26:08Z) - Probabilistic partition of unity networks: clustering based deep
approximation [0.0]
ユニタリネットワーク(POU-Nets)の分割は、回帰とPDEの解に対する代数収束率を実現することができる。
ガウス雑音モデルを用いてPOU-Netを拡張し、最大可算損失の勾配に基づく一般化を導出できる確率的一般化を得る。
本研究では,高次元・低次元での性能を定量化するためのベンチマークを行い,高次元空間内のデータの潜在次元にのみ依存することを示す。
論文 参考訳(メタデータ) (2021-07-07T08:02:00Z) - Towards Trustworthy Predictions from Deep Neural Networks with Fast
Adversarial Calibration [2.8935588665357077]
本稿では,ドメインシフト後に得られたサンプルに対して,信頼度の高い信頼度を得るための効率的かつ汎用的なモデリング手法を提案する。
本稿では,エントロピー増大損失項と逆キャリブレーション損失項を組み合わせた新しいトレーニング戦略を導入し,この結果が適切に調整され,技術的に信頼できる予測となることを示す。
論文 参考訳(メタデータ) (2020-12-20T13:39:29Z) - Uncertainty-Aware Deep Calibrated Salient Object Detection [74.58153220370527]
既存のディープニューラルネットワークに基づくサルエントオブジェクト検出(SOD)手法は主に高いネットワーク精度の追求に重点を置いている。
これらの手法は、信頼不均衡問題として知られるネットワーク精度と予測信頼の間のギャップを見落としている。
我々は,不確実性を考慮した深部SODネットワークを導入し,深部SODネットワークの過信を防止するための2つの戦略を提案する。
論文 参考訳(メタデータ) (2020-12-10T23:28:36Z) - Neural Networks with Recurrent Generative Feedback [61.90658210112138]
畳み込みニューラルネットワーク(CNN)でこの設計をインスタンス化する
実験では、標準ベンチマーク上の従来のフィードフォワードCNNに対して、CNN-Fは敵のロバスト性を大幅に改善した。
論文 参考訳(メタデータ) (2020-07-17T19:32:48Z) - Unlabelled Data Improves Bayesian Uncertainty Calibration under
Covariate Shift [100.52588638477862]
後続正則化に基づく近似ベイズ推定法を開発した。
前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
論文 参考訳(メタデータ) (2020-06-26T13:50:19Z) - Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。
本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。
我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
論文 参考訳(メタデータ) (2020-06-16T18:45:20Z)
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。