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
- 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) - Underwater Object Detection in the Era of Artificial Intelligence: Current, Challenge, and Future [119.88454942558485]
水中物体検出(UOD)は、水中の画像やビデオ中の物体を識別し、ローカライズすることを目的としている。
近年、人工知能(AI)に基づく手法、特に深層学習法は、UODにおいて有望な性能を示している。
論文 参考訳（メタデータ） (2024-10-08T00:25:33Z) - Increasing the Robustness of Model Predictions to Missing Sensors in Earth Observation [5.143097874851516]
入力センサドロップアウト(ISensD)とアンサンブルセンサ不変(ESensI)という,マルチセンサシナリオに適した2つの新しい手法について検討した。
これらの手法は, モデル予測の頑健さを, センサの欠如に対して効果的に向上させることを示した。
アンサンブル・マルチセンサー・モデルはセンサの欠如に対して最も頑丈であることが観察された。
論文 参考訳（メタデータ） (2024-07-22T09:58:29Z) - 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) - 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。