論文の概要: Few-shot calibration of low-cost air pollution (PM2.5) sensors using meta-learning

• arxiv url: http://arxiv.org/abs/2108.00640v1
• Date: Mon, 2 Aug 2021 05:19:23 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-03 14:59:19.758280
• Title: Few-shot calibration of low-cost air pollution (PM2.5) sensors using meta-learning
• Title（参考訳）: メタラーニングによる低コスト大気汚染センサ(PM2.5)の校正
• Authors: Kalpit Yadav, Vipul Arora, Sonu Kumar Jha, Mohit Kumar, Sachchida Nand Tripathi
• Abstract要約: 低コストの粒子状物質センサーは、大気の質をモニターしている。 これらのセンサーは、共同デプロイされた基準モニターからのトレーニングデータを必要とする。 本稿では,センサの迅速な校正のための新しい伝達学習法を提案する。
• 参考スコア（独自算出の注目度）: 11.352677351165246
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Low-cost particulate matter sensors are transforming air quality monitoring because they have lower costs and greater mobility as compared to reference monitors. Calibration of these low-cost sensors requires training data from co-deployed reference monitors. Machine Learning based calibration gives better performance than conventional techniques, but requires a large amount of training data from the sensor, to be calibrated, co-deployed with a reference monitor. In this work, we propose novel transfer learning methods for quick calibration of sensors with minimal co-deployment with reference monitors. Transfer learning utilizes a large amount of data from other sensors along with a limited amount of data from the target sensor. Our extensive experimentation finds the proposed Model-Agnostic- Meta-Learning (MAML) based transfer learning method to be the most effective over other competitive baselines.
• Abstract（参考訳）: 低コスト粒子状物質センサは、基準モニターに比べて低コストで移動性が高いため、空気質の監視に変化をもたらしている。 これらの低コストセンサーのキャリブレーションには、共同デプロイされた参照モニターからのトレーニングデータが必要である。 機械学習に基づくキャリブレーションは、従来の技術よりも優れたパフォーマンスを提供するが、センサーからの大量のトレーニングデータを校正し、参照モニターと共同デプロイする必要がある。 本研究では,レファレンスモニタと最小限の協調配置を持つセンサの高速キャリブレーションのための新しい転送学習手法を提案する。 転送学習は、ターゲットセンサーからの限られたデータとともに、他のセンサーからの大量のデータを利用する。 提案したモデル非依存メタラーニング(MAML)に基づくトランスファー学習法は,他の競争ベースラインよりも効果的である。

関連論文リスト

• MSSIDD: A Benchmark for Multi-Sensor Denoising [55.41612200877861]
  我々は,マルチセンサSIDDデータセットという新しいベンチマークを導入する。これは,認知モデルのセンサ伝達性を評価するために設計された,最初の生ドメインデータセットである。 そこで本研究では,センサに不変な特徴を認知モデルで学習することのできるセンサ一貫性トレーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-18T13:32:59Z)
• Efficient Unsupervised Domain Adaptation Regression for Spatial-Temporal Air Quality Sensor Fusion [6.963971634605796]
  本稿では,グラフ構造データに対する回帰処理に適した新しいunsupervised domain adapt(UDA)手法を提案する。 センサ間の関係をモデル化するために、時空間グラフニューラルネットワーク(STGNN)を組み込んだ。 弊社のアプローチでは、安価なIoTセンサが高価な参照センサから校正パラメータを学習できる。
  論文  参考訳（メタデータ） (2024-11-11T12:20:57Z)
• 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)
• Spatial-Temporal Graph Attention Fuser for Calibration in IoT Air Pollution Monitoring Systems [8.997596859735516]
  本稿では,センサアレイからのデータを融合させることによりキャリブレーションのプロセスを改善する新しい手法を提案する。 我々は,IoT大気汚染監視プラットフォームにおけるセンサの校正精度を大幅に向上させる手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-09-08T12:04:47Z)
• Environmental Sensor Placement with Convolutional Gaussian Neural Processes [65.13973319334625]
  センサーは、特に南極のような遠隔地において、その測定の情報量が最大になるように配置することは困難である。 確率論的機械学習モデルは、予測の不確実性を最大限に低減するサイトを見つけることによって、情報的センサ配置を提案することができる。 本稿では,これらの問題に対処するために,畳み込み型ガウスニューラルプロセス(ConvGNP)を提案する。
  論文  参考訳（メタデータ） (2022-11-18T17:25:14Z)
• Learning Online Multi-Sensor Depth Fusion [100.84519175539378]
  SenFuNetは、センサ固有のノイズと外れ値統計を学習するディープフュージョンアプローチである。 実世界のCoRBSとScene3Dデータセットで様々なセンサーの組み合わせで実験を行う。
  論文  参考訳（メタデータ） (2022-04-07T10:45:32Z)
• Sensor Sampling Trade-Offs for Air Quality Monitoring With Low-Cost Sensors [0.1957338076370071]
  本研究では, 対流圏オゾン, 二酸化窒素, 一酸化窒素の低コストセンサの校正におけるデータサンプリング戦略の影響について述べる。 具体的には,センササブシステムのデューティサイクルを最小化するサンプリング戦略によって,データ品質を維持しながら消費電力を削減できることを示す。
  論文  参考訳（メタデータ） (2021-12-14T11:05:55Z)
• Real-time detection of uncalibrated sensors using Neural Networks [62.997667081978825]
  オンライン学習に基づく温度・湿度・圧力センサの非校正検出装置を開発した。 このソリューションはニューラルネットワークをメインコンポーネントとして統合し、校正条件下でのセンサーの動作から学習する。 その結果, 提案手法は, 偏差値0.25度, 1% RH, 1.5Paの偏差をそれぞれ検出できることがわかった。
  論文  参考訳（メタデータ） (2021-02-02T15:44:39Z)
• Automatic Extrinsic Calibration Method for LiDAR and Camera Sensor Setups [68.8204255655161]
  本論文では,LiDAR,単眼,ステレオカメラを含む任意のセンサのパラメータを校正する手法を提案する。 提案手法は、通常、車両のセットアップで見られるように、非常に異なる解像度とポーズのデバイスを扱うことができる。
  論文  参考訳（メタデータ） (2021-01-12T12:02:26Z)
• Transfer Learning for Motor Imagery Based Brain-Computer Interfaces: A Complete Pipeline [54.73337667795997]
  移動学習(TL)は、新しい被験者の校正作業を減らすために、運動画像(MI)ベースの脳-コンピュータインタフェース(BCI)に広く用いられている。 本稿では,MIベースのBCIの3つのコンポーネント(空間フィルタリング,特徴工学,分類)すべてにおいてTLが考慮できることを示す。
  論文  参考訳（メタデータ） (2020-07-03T23:44:21Z)

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。