論文の概要: Deep Learning Techniques for Compressive Sensing-Based Reconstruction and Inference -- A Ubiquitous Systems Perspective

• arxiv url: http://arxiv.org/abs/2105.13191v1
• Date: Wed, 26 May 2021 14:04:04 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-28 16:03:06.930846
• Title: Deep Learning Techniques for Compressive Sensing-Based Reconstruction and Inference -- A Ubiquitous Systems Perspective
• Title（参考訳）: 圧縮センシングに基づく再構成と推論のための深層学習技術 -ユビキタスシステムの視点から
• Authors: Alina L. Machidon and Veljko Pejovic
• Abstract要約: サンプリングおよび再構成アルゴリズムの実践的な問題は、圧縮センシングのさらなる拡散を防ぐ。 深層学習(DL)は、サンプリング行列を適応し、信号を再構成し、圧縮されたサンプルを学習するためのCSを自然に補完する。 本稿では,CS と DL が相互作用できる主要な方法を特定し,CS-DL を効率的にするための重要なアイデアを抽出し,CS-DL 研究空間における主要なトレンドを特定し,Ubicomp ドメイン内での CS-DL の今後の進化に関するガイドラインを導出する。
• 参考スコア（独自算出の注目度）: 3.774024703826043
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Compressive sensing (CS) is a mathematically elegant tool for reducing the sampling rate, potentially bringing context-awareness to a wider range of devices. Nevertheless, practical issues with the sampling and reconstruction algorithms prevent further proliferation of CS in real world domains, especially among heterogeneous ubiquitous devices. Deep learning (DL) naturally complements CS for adapting the sampling matrix, reconstructing the signal, and learning form the compressed samples. While the CS-DL integration has received substantial research interest recently, it has not yet been thoroughly surveyed, nor has the light been shed on practical issues towards bringing the CS-DL to real world implementations in the ubicomp domain. In this paper we identify main possible ways in which CS and DL can interplay, extract key ideas for making CS-DL efficient, identify major trends in CS-DL research space, and derive guidelines for future evolution of CS-DL within the ubicomp domain.
• Abstract（参考訳）: 圧縮センシング(CS)は、サンプリング率を減らす数学的にエレガントなツールであり、より広い範囲のデバイスにコンテキスト認識をもたらす可能性がある。 それにもかかわらず、サンプリングと再構成アルゴリズムの実践的な問題は、特に異種ユビキタスデバイスにおいて、現実世界領域におけるCSのさらなる増殖を妨げる。 深層学習(DL)は、サンプリング行列を適応し、信号を再構成し、圧縮されたサンプルを学習するためのCSを自然に補完する。 CS-DL統合は近年、かなりの研究関心を集めているが、まだ徹底的な調査は行われておらず、Ubicompドメインの現実の実装にCS-DLを導入するための実践的な問題にも光を当てていない。 本稿では,CS-DLを効率的にするための主要なアイデアを抽出し,CS-DL研究空間における主要なトレンドを特定し,Ubicompドメイン内でのCS-DLの今後の進化に関するガイドラインを導出する。

関連論文リスト

• Design, Implementation and Analysis of a Compressed Sensing Photoacoustic Projection Imaging System [1.5499426028105905]
  我々は圧縮係数4:3$のCS PAPIシステムを実装し、16個のILDの別々のグループで測定を行う。 結果: スパースリカバリ能力の証明されたCSをPAPIに統合し, 数値的にこの設定をサポートする。
  論文  参考訳（メタデータ） (2024-02-24T07:18:23Z)
• Unifying Synergies between Self-supervised Learning and Dynamic Computation [53.66628188936682]
  SSLとDCのパラダイム間の相互作用に関する新しい視点を提示する。 SSL設定において、スクラッチから高密度かつゲートされたサブネットワークを同時に学習することは可能であることを示す。 密集エンコーダとゲートエンコーダの事前学習における共進化は、良好な精度と効率のトレードオフをもたらす。
  論文  参考訳（メタデータ） (2023-01-22T17:12:58Z)
• Using Gradient to Boost the Generalization Performance of Deep Learning Models for Fluid Dynamics [0.0]
  本稿では,Deep Learningの一般化能力を高めるための新しい研究について述べる。 我々の戦略は、DLネットワークのより良い一般化に向けた良い結果を示している。
  論文  参考訳（メタデータ） (2022-10-09T10:20:09Z)
• Learning to Continuously Optimize Wireless Resource in a Dynamic Environment: A Bilevel Optimization Perspective [52.497514255040514]
  この研究は、データ駆動メソッドが動的環境でリソース割り当て戦略を継続的に学び、最適化することを可能にする新しいアプローチを開発しています。 学習モデルが新たなエピソードに段階的に適応できるように、連続学習の概念を無線システム設計に組み込むことを提案する。 我々の設計は、異なるデータサンプルにまたがる公平性を保証する、新しい二段階最適化定式化に基づいている。
  論文  参考訳（メタデータ） (2021-05-03T07:23:39Z)
• Reinforcement Learning for Datacenter Congestion Control [50.225885814524304]
  渋滞制御アルゴリズムの成功は、レイテンシとネットワーク全体のスループットを劇的に改善する。 今日まで、このような学習ベースのアルゴリズムはこの領域で実用的な可能性を示さなかった。 実世界のデータセンターネットワークの様々な構成に一般化することを目的としたRLに基づくアルゴリズムを考案する。 本稿では,この手法が他のRL手法よりも優れており,トレーニング中に見られなかったシナリオに一般化可能であることを示す。
  論文  参考訳（メタデータ） (2021-02-18T13:49:28Z)
• Toward Real-World BCI: CCSPNet, A Compact Subject-Independent Motor Imagery Framework [2.0741711594051377]
  従来の脳-コンピュータインタフェース(BCI)は、使用前に各ユーザーに対して完全なデータ収集、トレーニング、校正フェーズを必要とする。 大規模脳波信号データベースの運動画像(MI)パラダイムを学習するCCSPNetという,新規な主体に依存しないBCIフレームワークを提案する。 提案手法は,ウェーブレット核畳み込みニューラルネットワーク(wkcnn)と時間畳み込みニューラルネットワーク(tcnn)を適用し,脳波信号の多様なスペクトル特性を表現・抽出する。
  論文  参考訳（メタデータ） (2020-12-25T12:00:47Z)
• Multilinear Compressive Learning with Prior Knowledge [106.12874293597754]
  マルチリニア圧縮学習(MCL)フレームワークは、マルチリニア圧縮センシングと機械学習をエンドツーエンドシステムに統合する。 MCLの背後にある主要なアイデアは、下流学習タスクの信号から重要な特徴を捉えることのできるテンソル部分空間の存在を仮定することである。 本稿では、上記の要件、すなわち、関心の信号が分離可能なテンソル部分空間をどうやって見つけるかという、2つの要件に対処する新しい解決策を提案する。
  論文  参考訳（メタデータ） (2020-02-17T19:06:05Z)
• Large-Scale Gradient-Free Deep Learning with Recursive Local Representation Alignment [84.57874289554839]
  大規模データセット上でディープニューラルネットワークをトレーニングするには、重要なハードウェアリソースが必要である。 これらのネットワークをトレーニングするためのワークホースであるバックプロパゲーションは、本質的に並列化が難しいシーケンシャルなプロセスである。 本稿では、深層ネットワークのトレーニングに使用できるバックプロップに代わる、神経生物学的に有望な代替手段を提案する。
  論文  参考訳（メタデータ） (2020-02-10T16:20:02Z)
• Model-Driven Beamforming Neural Networks [47.754731555563836]
  本稿では、一般データおよびモデル駆動ビームフォーミングニューラルネットワーク(BNN)を紹介する。 様々な学習戦略を示し、DLベースのBNNの複雑さの低減についても論じている。 また、BNNの汎用性を向上させるため、トレーニングセットの強化や伝達学習などの強化手法も提供する。
  論文  参考訳（メタデータ） (2020-01-15T12:50:09Z)

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。