論文の概要: Assessing Machine Learning Approaches to Address IoT Sensor Drift
- arxiv url: http://arxiv.org/abs/2109.04356v1
- Date: Thu, 2 Sep 2021 19:15:31 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-12 11:27:29.310961
- Title: Assessing Machine Learning Approaches to Address IoT Sensor Drift
- Title(参考訳): IoTセンサのドリフトに対処する機械学習アプローチの評価
- Authors: Haining Zheng and Antonio Paiva
- Abstract要約: 本研究では,現実的な条件下でのセンサドリフトに対処し,適応する能力について,いくつかのアプローチを研究・検証する。
これらのアプローチのほとんどは最近のもので、現状の最先端を代表している。
その結果, センサドリフトによるセンサ性能の低下が認められた。
- 参考スコア(独自算出の注目度): 0.15229257192293197
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The proliferation of IoT sensors and their deployment in various industries
and applications has brought about numerous analysis opportunities in this Big
Data era. However, drift of those sensor measurements poses major challenges to
automate data analysis and the ability to effectively train and deploy models
on a continuous basis. In this paper we study and test several approaches from
the literature with regard to their ability to cope with and adapt to sensor
drift under realistic conditions. Most of these approaches are recent and thus
are representative of the current state-of-the-art. The testing was performed
on a publicly available gas sensor dataset exhibiting drift over time. The
results show substantial drops in sensing performance due to sensor drift in
spite of the approaches. We then discuss several issues identified with current
approaches and outline directions for future research to tackle them.
- Abstract(参考訳): IoTセンサの普及と、さまざまな産業やアプリケーションへの展開は、このビッグデータ時代に多くの分析機会をもたらしました。
しかし、これらのセンサ測定のドリフトは、データ分析の自動化と、モデルを効果的にトレーニングし、継続的にデプロイする能力に大きな課題をもたらす。
本稿では,現実的な条件下でのセンサドリフトに対処し,適応する能力について,文献からのいくつかのアプローチを研究・検証する。
これらのアプローチのほとんどは最近のものであり、現在の最先端の代表である。
テストは、時間とともに漂流するガスセンサーのデータセットで実施された。
その結果,センサドリフトによるセンシング性能の低下がみられた。
次に, 今後の研究に向けた今後の課題と今後の課題について概説する。
関連論文リスト
- LargeST: A Benchmark Dataset for Large-Scale Traffic Forecasting [65.71129509623587]
道路交通予測はスマートシティのイニシアチブにおいて重要な役割を担い、ディープラーニングの力によって大きな進歩を遂げている。
しかし、現在の公開データセットで達成される有望な結果は、現実的なシナリオには適用できないかもしれない。
カリフォルニアで合計8,600のセンサーと5年間の時間カバレッジを含む、LargeSTベンチマークデータセットを紹介します。
論文 参考訳(メタデータ) (2023-06-14T05:48:36Z) - On the Importance of Accurate Geometry Data for Dense 3D Vision Tasks [61.74608497496841]
不正確または破損したデータのトレーニングは、モデルバイアスとハマーズ一般化能力を誘導する。
本稿では,深度推定と再構成における高密度3次元視覚課題に対するセンサ誤差の影響について検討する。
論文 参考訳(メタデータ) (2023-03-26T22:32:44Z) - SECOE: Alleviating Sensors Failure in Machine Learning-Coupled IoT
Systems [0.0]
本論文は,センサ障害を同時に緩和するための積極的なアプローチであるSECOEを提案する。
SECOEは、センサー間の相関を利用してアンサンブル内のモデル数を最小化する新しい技術を含んでいる。
実験の結果,SECOEはセンサ故障の有無の予測精度を効果的に維持することがわかった。
論文 参考訳(メタデータ) (2022-10-05T10:58:39Z) - Anomaly Detection and Inter-Sensor Transfer Learning on Smart
Manufacturing Datasets [6.114996271792091]
スマートマニュファクチャリングシステムの目標は、運用コストを削減し、ダウンタイムをなくすために、失敗を迅速に検出(または予測)することである。
これはしばしば、システムから取得したセンサーの日程内で異常を検出することに起因する。
スマートマニュファクチャリングアプリケーションドメインは、ある種の健全な技術的課題を提起します。
予測的障害分類が達成できることを示し、予測的メンテナンスの道を開く。
論文 参考訳(メタデータ) (2022-06-13T17:51:24Z) - 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) - DeepTimeAnomalyViz: A Tool for Visualizing and Post-processing Deep
Learning Anomaly Detection Results for Industrial Time-Series [88.12892448747291]
DeTAVIZ インタフェースは Web ブラウザをベースとした可視化ツールで,特定の問題における DL ベースの異常検出の実現可能性の迅速な探索と評価を行う。
DeTAVIZを使えば、ユーザーは複数のポスト処理オプションを簡単かつ迅速に繰り返し、異なるモデルを比較することができ、選択したメトリックに対して手動で最適化できる。
論文 参考訳(メタデータ) (2021-09-21T10:38:26Z) - Bayesian Autoencoders for Drift Detection in Industrial Environments [69.93875748095574]
オートエンコーダは、マルチセンサー環境で異常を検出するために使用される教師なしモデルである。
異常は、実際の環境の変化(実際のドリフト)や、故障した感覚デバイス(仮想ドリフト)から生じる。
論文 参考訳(メタデータ) (2021-07-28T10:19:58Z) - Anomaly Detection through Transfer Learning in Agriculture and
Manufacturing IoT Systems [4.193524211159057]
本稿では, 農作物に設置したセンサから, 7種類のセンサからのデータと, 振動センサを用いた先進的な製造試験からのデータを分析する。
これら2つのアプリケーション領域において、予測的障害分類がいかに達成され、予測的メンテナンスの道が開かれたかを示す。
論文 参考訳(メタデータ) (2021-02-11T02:37:27Z) - Investigating the Effect of Sensor Modalities in Multi-Sensor
Detection-Prediction Models [8.354898936252516]
我々は,モデル性能に対するセンサモダリティの寄与に注目した。
また,上記の課題を解決するためにセンサドロップアウトの利用について検討する。
論文 参考訳(メタデータ) (2021-01-09T03:21:36Z) - High-Precision Digital Traffic Recording with Multi-LiDAR Infrastructure
Sensor Setups [0.0]
融解したLiDAR点雲と単一LiDAR点雲との差について検討した。
抽出した軌道の評価は, 融合インフラストラクチャーアプローチが追跡結果を著しく増加させ, 数cm以内の精度に達することを示す。
論文 参考訳(メタデータ) (2020-06-22T10:57:52Z) - Learning Selective Sensor Fusion for States Estimation [47.76590539558037]
本稿では,エンド・ツー・エンドのセンサ・フュージョン・モジュールであるSelectFusionを提案する。
予測中、ネットワークは異なるセンサーモードから潜伏する特徴の信頼性を評価することができる。
我々は、公開データセットと漸進的に劣化したデータセットの両方において、すべての融合戦略を広範囲に評価する。
論文 参考訳(メタデータ) (2019-12-30T20:25:16Z)
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。