論文の概要: Recovery of Missing Sensor Data by Reconstructing Time-varying Graph Signals

• arxiv url: http://arxiv.org/abs/2203.00418v1
• Date: Tue, 1 Mar 2022 13:16:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-02 15:47:03.080839
• Title: Recovery of Missing Sensor Data by Reconstructing Time-varying Graph Signals
• Title（参考訳）: 時間変化グラフ信号再構成によるセンサデータの復元
• Authors: Anindya Mondal, Mayukhmali Das, Aditi Chatterjee, Palaniandavar Venkateswaran
• Abstract要約: 本稿では,無線センサネットワークにおけるソボレフ再構成アルゴリズムについて述べる。 このアルゴリズムは, 大規模なデータ損失状況においても, 欠落したデータを常に検索することを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Wireless sensor networks are among the most promising technologies of the current era because of their small size, lower cost, and ease of deployment. With the increasing number of wireless sensors, the probability of generating missing data also rises. This incomplete data could lead to disastrous consequences if used for decision-making. There is rich literature dealing with this problem. However, most approaches show performance degradation when a sizable amount of data is lost. Inspired by the emerging field of graph signal processing, this paper performs a new study of a Sobolev reconstruction algorithm in wireless sensor networks. Experimental comparisons on several publicly available datasets demonstrate that the algorithm surpasses multiple state-of-the-art techniques by a maximum margin of 54%. We further show that this algorithm consistently retrieves the missing data even during massive data loss situations.
• Abstract（参考訳）: ワイヤレスセンサーネットワークは、サイズが小さく、低コストで、展開が容易であるため、現在最も有望な技術である。 無線センサの数が増加するにつれて、データの欠落の可能性も高まる。 この不完全なデータは、意思決定に使用すると悲惨な結果をもたらす可能性がある。 この問題を扱う文献が豊富にある。 しかし、ほとんどのアプローチでは、大量のデータが失われると性能が低下する。 本稿では, 無線センサネットワークにおけるソボレフ再構成アルゴリズムについて, グラフ信号処理の新たな分野に着想を得た。 いくつかの公開データセットにおける実験的比較は、アルゴリズムが複数の最先端技術を超えることを54%のマージンで示している。 さらに, このアルゴリズムは, 膨大なデータ損失時においても, 欠落データを一貫して検索することを示す。

関連論文リスト

• Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
  本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。 提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
  論文  参考訳（メタデータ） (2024-01-12T17:57:07Z)
• GraphGuard: Detecting and Counteracting Training Data Misuse in Graph Neural Networks [69.97213941893351]
  グラフデータ分析におけるグラフニューラルネットワーク(GNN)の出現は、モデルトレーニング中のデータ誤用に関する重要な懸念を引き起こしている。 既存の手法は、データ誤用検出または緩和のいずれかに対応しており、主にローカルGNNモデル用に設計されている。 本稿では,これらの課題に対処するため,GraphGuardという先駆的なアプローチを導入する。
  論文  参考訳（メタデータ） (2023-12-13T02:59:37Z)
• Graph Neural Networks with Trainable Adjacency Matrices for Fault Diagnosis on Multivariate Sensor Data [69.25738064847175]
  各センサの信号の挙動を別々に検討し,相互の相関関係と隠れ関係を考慮する必要がある。 グラフノードは、異なるセンサーからのデータとして表現することができ、エッジは、これらのデータの影響を互いに表示することができる。 グラフニューラルネットワークのトレーニング中にグラフを構築する方法が提案されている。これにより、センサー間の依存関係が事前に分かっていないデータ上でモデルをトレーニングすることができる。
  論文  参考訳（メタデータ） (2022-10-20T11:03:21Z)
• DynImp: Dynamic Imputation for Wearable Sensing Data Through Sensory and Temporal Relatedness [78.98998551326812]
  従来の手法では、データの時系列ダイナミクスと、異なるセンサーの特徴の関連性の両方をめったに利用していない、と我々は主張する。 我々はDynImpと呼ばれるモデルを提案し、特徴軸に沿って近接する隣人と異なる時間点の欠如を扱う。 本手法は, 関連センサのマルチモーダル性特性を活かし, 履歴時系列のダイナミックスから学習し, 極端に欠落した状態でデータを再構築することができることを示す。
  論文  参考訳（メタデータ） (2022-09-26T21:59:14Z)
• Change Detection from Synthetic Aperture Radar Images via Graph-Based Knowledge Supplement Network [36.41983596642354]
  画像変化検出のためのグラフベースの知識補足ネットワーク(GKSNet)を提案する。 より具体的には、既存のラベル付きデータセットから識別情報を付加的な知識として抽出する。 提案手法を検証するために,4つのSARデータセットについて広範な実験を行った。
  論文  参考訳（メタデータ） (2022-01-22T02:50:50Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• Streaming data preprocessing via online tensor recovery for large environmental sensor networks [3.3984241501818913]
  本研究では,高次元都市環境データセットを前処理するオンライン・ロバスト・テンソル・リカバリ手法を提案する。 データの基盤となるパターンをキャプチャする小さな辞書が計算され、新しいデータで常に更新される。 我々は,OLRTRを合成劣化した国立海洋大気庁の温度データセット上に0.05の回復誤差で検証し,それをシカゴのアレー・オブ・モノス(Array of Things)都市規模のセンサネットワークに適用した。
  論文  参考訳（メタデータ） (2021-09-01T20:01:25Z)
• Fast Wireless Sensor Anomaly Detection based on Data Stream in Edge Computing Enabled Smart Greenhouse [5.716360276016705]
  エッジコンピューティングを有効にするスマート温室は、IoT技術の代表的なアプリケーションである。 従来の異常検出アルゴリズムは、無線センサによって生成されたデータストリームの特性を適切に考慮していない。
  論文  参考訳（メタデータ） (2021-07-28T13:32:12Z)
• SignalNet: A Low Resolution Sinusoid Decomposition and Estimation Network [79.04274563889548]
  本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。 基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。 シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
  論文  参考訳（メタデータ） (2021-06-10T04:21:20Z)
• Sensor selection on graphs via data-driven node sub-sampling in network time series [0.0]
  本稿では,時系列ネットワーク上でセンサの最適なサンプリングセットを選択するという問題に対処する。 我々は,一定数のセンサをオフにするか,あるいは等価にノードのサンプリングセットを選択するために,データ駆動の様々な戦略を提案し,比較する。 提案手法の性能を明らかにするため, 異なる都市における自転車共有ネットワークの実データ解析に関する数値実験を行った。
  論文  参考訳（メタデータ） (2020-04-24T15:51:57Z)

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。