論文の概要: Cluster Head Detection for Hierarchical UAV Swarm With Graph Self-supervised Learning

• arxiv url: http://arxiv.org/abs/2203.04311v1
• Date: Tue, 8 Mar 2022 14:50:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-10 14:52:16.449041
• Title: Cluster Head Detection for Hierarchical UAV Swarm With Graph Self-supervised Learning
• Title（参考訳）: グラフ自己教師型学習による階層型UAV群集のクラスタヘッド検出
• Authors: Zhiyu Mou, Jun Liu, Xiang Yun, Feifei Gao, Qihui Wu
• Abstract要約: 複数のUAVクラスタを有する2レベル無人航空機群ネットワーク(USNET)のクラスタヘッド検出問題について検討した。 まず,単一クラスタのHUAVを検出するためのグラフ注意自己教師型学習アルゴリズム(GASSL)を提案する。 次に、複数のUAVクラスタでUSNETのHUAVを検出するために、GASSLに基づくマルチクラスタグラフ注意自己教師学習アルゴリズム(MC-GASSL)を開発した。
• 参考スコア（独自算出の注目度）: 31.57682364599218
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we study the cluster head detection problem of a two-level unmanned aerial vehicle (UAV) swarm network (USNET) with multiple UAV clusters, where the inherent follow strategy (IFS) of low-level follower UAVs (FUAVs) with respect to high-level cluster head UAVs (HUAVs) is unknown. We first propose a graph attention self-supervised learning algorithm (GASSL) to detect the HUAVs of a single UAV cluster, where the GASSL can fit the IFS at the same time. Then, to detect the HUAVs in the USNET with multiple UAV clusters, we develop a multi-cluster graph attention self-supervised learning algorithm (MC-GASSL) based on the GASSL. The MC-GASSL clusters the USNET with a gated recurrent unit (GRU)-based metric learning scheme and finds the HUAVs in each cluster with GASSL. Numerical results show that the GASSL can detect the HUAVs in single UAV clusters obeying various kinds of IFSs with over 98% average accuracy. The simulation results also show that the clustering purity of the USNET with MC-GASSL exceeds that with traditional clustering algorithms by at least 10% average. Furthermore, the MC-GASSL can efficiently detect all the HUAVs in USNETs with various IFSs and cluster numbers with low detection redundancies.
• Abstract（参考訳）: 本稿では、複数のUAVクラスタを持つ2段無人航空機(UAV)群ネットワーク(USNET)のクラスタヘッド検出問題について検討し、HUAV(High-level cluster head)に関して、低レベル従者UAV(FUAV)の固有の追従戦略(IFS)が不明であることを示す。 まず,単一UAVクラスタのHUAVを検出するためのグラフ注意自己教師学習アルゴリズム(GASSL)を提案する。 次に、複数のUAVクラスタでUSNETのHUAVを検出するために、GASSLに基づくマルチクラスタグラフ注意自己教師学習アルゴリズム(MC-GASSL)を開発した。 MC-GASSLは、ゲートリカレントユニット(GRU)ベースのメトリック学習スキームでUSNETをクラスタリングし、GASSLで各クラスタ内のHUAVを見つける。 数値計算の結果,GASSLは1つのUAVクラスタ内のHUAVを98%以上の精度で検出できることがわかった。 シミュレーションの結果,mc-gasslによるusnetのクラスタリング純度は,従来のクラスタリングアルゴリズムに比べて10%以上向上した。 さらに、MC-GASSLは様々なIFSとクラスタ番号を持つUSNETのすべてのHUAVを効率よく検出できる。

関連論文リスト

• Blockchain-enabled Clustered and Scalable Federated Learning (BCS-FL) Framework in UAV Networks [8.278150104847183]
  本稿では,UAVネットワークのためのクラスタ化・拡張型フェデレートラーニング(BCS-FL)フレームワークを提案する。 大規模UAVネットワークにおけるFLの分散化、調整、スケーラビリティ、効率性を改善する。
  論文  参考訳（メタデータ） (2024-02-07T12:26:56Z)
• Reinforcement Graph Clustering with Unknown Cluster Number [91.4861135742095]
  本稿では,Reinforcement Graph Clusteringと呼ばれる新しいディープグラフクラスタリング手法を提案する。 提案手法では,クラスタ数決定と教師なし表現学習を統一的なフレームワークに統合する。 フィードバック動作を行うために、クラスタリング指向の報酬関数を提案し、同一クラスタの凝集を高め、異なるクラスタを分離する。
  論文  参考訳（メタデータ） (2023-08-13T18:12:28Z)
• Monte Carlo Linear Clustering with Single-Point Supervision is Enough for Infrared Small Target Detection [48.707233614642796]
  SIRST(Single-frame infrared small target)検出は、赤外線画像上の乱雑な背景から小さなターゲットを分離することを目的としている。 ディープラーニングに基づく手法は、SIRST検出において有望な性能を達成したが、大量のトレーニングデータを犠牲にしている。 単一点監視を用いたSIRST検出のための最初の手法を提案する。
  論文  参考訳（メタデータ） (2023-04-10T08:04:05Z)
• Improving Multilayer-Perceptron(MLP)-based Network Anomaly Detection with Birch Clustering on CICIDS-2017 Dataset [2.179313476241343]
  データの事前グループ化にBirchとK-Meansクラスタリングを使用すると、侵入検知システムの性能が向上する。 本研究では,Birchクラスタリングを用いたマルチクラス化において,99.73%の精度を実現する。
  論文  参考訳（メタデータ） (2022-08-20T15:35:34Z)
• Deep Attention-guided Graph Clustering with Dual Self-supervision [49.040136530379094]
  デュアル・セルフ・スーパービジョン(DAGC)を用いたディープアテンション誘導グラフクラスタリング法を提案する。 我々は,三重項Kulback-Leibler分散損失を持つソフトな自己スーパービジョン戦略と,擬似的な監督損失を持つハードな自己スーパービジョン戦略からなる二重自己スーパービジョンソリューションを開発する。 提案手法は6つのベンチマークデータセットにおける最先端の手法より一貫して優れている。
  論文  参考訳（メタデータ） (2021-11-10T06:53:03Z)
• Self-supervised Contrastive Attributed Graph Clustering [110.52694943592974]
  我々は,自己教師型コントラストグラフクラスタリング(SCAGC)という,新たな属性グラフクラスタリングネットワークを提案する。 SCAGCでは,不正確なクラスタリングラベルを活用することで,ノード表現学習のための自己教師付きコントラスト損失を設計する。 OOSノードでは、SCAGCはクラスタリングラベルを直接計算できる。
  論文  参考訳（メタデータ） (2021-10-15T03:25:28Z)
• Attention-driven Graph Clustering Network [49.040136530379094]
  我々は、注意駆動グラフクラスタリングネットワーク(AGCN)という新しいディープクラスタリング手法を提案する。 AGCNは、ノード属性特徴とトポロジグラフ特徴を動的に融合するために、不均一な融合モジュールを利用する。 AGCNは、教師なしの方法で特徴学習とクラスタ割り当てを共同で行うことができる。
  論文  参考訳（メタデータ） (2021-08-12T02:30:38Z)
• UAV Trajectory Planning in Wireless Sensor Networks for Energy Consumption Minimization by Deep Reinforcement Learning [4.273341750394231]
  無線センサネットワーク(WSN)のデータ収集のための有望なソリューションとして無人航空機(UAV)が登場している。 データ収集の全ラウンドでUAV-WSNシステムの総エネルギー消費を最小化することを目的としている。 本稿では,UAVトラジェクトリポリシの経験から効率よく学習できる新しいディープ強化学習手法,ポインタネットワークA*(Ptr-A*)を提案する。
  論文  参考訳（メタデータ） (2021-08-01T03:02:11Z)
• DAAIN: Detection of Anomalous and Adversarial Input using Normalizing Flows [52.31831255787147]
  我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。 本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。 当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
  論文  参考訳（メタデータ） (2021-05-30T22:07:13Z)
• NN-EVCLUS: Neural Network-based Evidential Clustering [6.713564212269253]
  本稿では,NN-EVCLUSと呼ばれるニューラルネットワークに基づく明確なクラスタリングアルゴリズムを提案する。 属性ベクトルから質量関数への写像を学習し、より類似した入力がより低い競合度を持つ質量関数の出力にマッピングされるようにする。 ネットワークは、すべてのオブジェクトまたはいくつかのオブジェクトペアの相違点と相反点の差を最小限に抑えるように訓練されている。
  論文  参考訳（メタデータ） (2020-09-27T09:05:41Z)

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。