論文の概要: Graph Neural Networks in IoT: A Survey

• arxiv url: http://arxiv.org/abs/2203.15935v2
• Date: Thu, 31 Mar 2022 14:31:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-01 11:29:18.548036
• Title: Graph Neural Networks in IoT: A Survey
• Title（参考訳）: IoTにおけるグラフニューラルネットワーク: サーベイ
• Authors: Guimin Dong, Mingyue Tang, Zhiyuan Wang, Jiechao Gao, Sikun Guo, Lihua Cai, Robert Gutierrez, Bradford Campbell, Laura E. Barnes, Mehdi Boukhechba
• Abstract要約: IoT(Internet of Things)ブームは、人々の日常生活のほぼすべての部分に革命をもたらした。 ディープラーニングモデルは、IoTタスクの解決に広く採用されている。 グラフニューラルネットワーク(GNN)は、多くのIoT学習タスクで最先端の結果を達成するために実証されている。
• 参考スコア（独自算出の注目度）: 9.257834364029547
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The Internet of Things (IoT) boom has revolutionized almost every corner of people's daily lives: healthcare, home, transportation, manufacturing, supply chain, and so on. With the recent development of sensor and communication technologies, IoT devices including smart wearables, cameras, smartwatches, and autonomous vehicles can accurately measure and perceive their surrounding environment. Continuous sensing generates massive amounts of data and presents challenges for machine learning. Deep learning models (e.g., convolution neural networks and recurrent neural networks) have been extensively employed in solving IoT tasks by learning patterns from multi-modal sensory data. Graph Neural Networks (GNNs), an emerging and fast-growing family of neural network models, can capture complex interactions within sensor topology and have been demonstrated to achieve state-of-the-art results in numerous IoT learning tasks. In this survey, we present a comprehensive review of recent advances in the application of GNNs to the IoT field, including a deep dive analysis of GNN design in various IoT sensing environments, an overarching list of public data and source code from the collected publications, and future research directions. To keep track of newly published works, we collect representative papers and their open-source implementations and create a Github repository at https://github.com/GuiminDong/GNN4IoT.
• Abstract（参考訳）: IoT(Internet of Things)ブームは、医療、家庭、輸送、製造業、サプライチェーンなど、人々の日常生活のほぼすべてのコーナーに革命をもたらした。 近年のセンサと通信技術の発展により、スマートウェアラブル、カメラ、スマートウォッチ、自動運転車などのIoTデバイスは、周囲の環境を正確に測定し、知覚することができる。 継続的センシングは大量のデータを生成し、機械学習の課題を提示します。 ディープラーニングモデル(畳み込みニューラルネットワークやリカレントニューラルネットワークなど)は、マルチモーダル感覚データからパターンを学習することでIoTタスクの解決に広く利用されている。 Graph Neural Networks(GNN)は、センサートポロジ内の複雑なインタラクションをキャプチャし、多くのIoT学習タスクで最先端の結果を達成することが実証されている。 本調査では,さまざまなIoTセンサ環境におけるGNN設計の深層分析,収集した出版物の公開データとソースコードの網羅的リスト,今後の研究方向性など,GNNのIoT分野への応用の最近の進歩を概観する。 新たに公開された作品を追跡するために、代表論文とそのオープンソース実装を収集し、https://github.com/GuiminDong/GNN4IoT.comでGithubリポジトリを作成します。

関連論文リスト

• IoT-LM: Large Multisensory Language Models for the Internet of Things [70.74131118309967]
  IoTエコシステムは、モーション、サーマル、ジオロケーション、イメージング、ディープ、センサー、オーディオといった、現実世界のモダリティの豊富なソースを提供する。 機械学習は、IoTデータを大規模に自動的に処理する豊富な機会を提供する。 IoTエコシステムに適した,オープンソースの大規模マルチセンサ言語モデルであるIoT-LMを紹介します。
  論文  参考訳（メタデータ） (2024-07-13T08:20:37Z)
• Survey of Graph Neural Network for Internet of Things and NextG Networks [3.591122855617648]
  グラフニューラルネットワーク(GNN)は、洞察を効果的にモデル化し抽出するための有望なパラダイムとして登場した。 この調査は、GNNの用語、アーキテクチャ、および異なるタイプのGNNについて、詳細な説明を提供する。 次に、GNNがネットワークシステムや戦術システムにどのように活用されているかについて詳細な説明を行う。
  論文  参考訳（メタデータ） (2024-05-27T16:10:49Z)
• MultiIoT: Benchmarking Machine Learning for the Internet of Things [70.74131118309967]
  次世代の機械学習システムは、物理的世界に対する知覚と相互作用に長けなければならない。 運動、熱、位置情報、深度、無線信号、ビデオ、オーディオからの知覚データは、物理環境の状態をモデル化するためにますます使われています。 既存の取り組みは、しばしば単一の感覚的モダリティまたは予測タスクに特化している。 本稿は、12のモダリティと8つの現実世界タスクから115万以上のサンプルを含む、これまでで最も拡張的で統一されたIoTベンチマークであるMultiIoTを提案する。
  論文  参考訳（メタデータ） (2023-11-10T18:13:08Z)
• Efficient Federated Learning with Spike Neural Networks for Traffic Sign Recognition [70.306089187104]
  我々は、エネルギー効率と高速モデルトレーニングのための交通信号認識に強力なスパイクニューラルネットワーク(SNN)を導入している。 数値的な結果から,提案するフェデレーションSNNは,従来のフェデレーション畳み込みニューラルネットワークよりも精度,ノイズ免疫性,エネルギー効率に優れていたことが示唆された。
  論文  参考訳（メタデータ） (2022-05-28T03:11:48Z)
• Scalable algorithms for physics-informed neural and graph networks [0.6882042556551611]
  物理インフォームド機械学習(PIML)は、複雑な物理的および生物学的システムをシミュレートするための有望な新しいアプローチとして登場した。 PIMLでは、物理法則を適用し、時空領域のランダムな点で評価することで得られる追加情報から、そのようなネットワークを訓練することができる。 本稿では、主にフィードフォワードニューラルネットワークと自動微分に基づく物理情報ニューラルネットワーク(PINN)を用いて、物理を機械学習に組み込む一般的なトレンドについて概説する。
  論文  参考訳（メタデータ） (2022-05-16T15:46:11Z)
• Object Detection with Spiking Neural Networks on Automotive Event Data [0.0]
  我々は、イベントカメラから直接スパイキングニューラルネットワーク(SNN)を訓練し、高速で効率的な自動車組込みアプリケーションを設計することを提案する。 本稿では,2つの自動車イベントデータセットの実験を行い,スパイクニューラルネットワークのための最先端の分類結果を確立した。
  論文  参考訳（メタデータ） (2022-05-09T14:39:47Z)
• Neural Architecture Search for Dense Prediction Tasks in Computer Vision [74.9839082859151]
  ディープラーニングは、ニューラルネットワークアーキテクチャエンジニアリングに対する需要の高まりにつながっている。 ニューラルネットワーク検索(NAS)は、手動ではなく、データ駆動方式でニューラルネットワークアーキテクチャを自動設計することを目的としている。 NASはコンピュータビジョンの幅広い問題に適用されている。
  論文  参考訳（メタデータ） (2022-02-15T08:06:50Z)
• FPGA-optimized Hardware acceleration for Spiking Neural Networks [69.49429223251178]
  本研究は,画像認識タスクに適用したオフライントレーニングによるSNN用ハードウェアアクセラレータの開発について述べる。 この設計はXilinx Artix-7 FPGAをターゲットにしており、利用可能なハードウェアリソースの40%を合計で使用している。 分類時間を3桁に短縮し、ソフトウェアと比較すると精度にわずか4.5%の影響を与えている。
  論文  参考訳（メタデータ） (2022-01-18T13:59:22Z)
• IoT Security: Botnet detection in IoT using Machine learning [0.0]
  本研究は、IoTネットワークにおけるボットネットベースの分散サービス拒否(DDoS)攻撃の検出と緩和に機械学習アルゴリズムを用いた革新的なモデルを提案する。 提案モデルでは,ボットの脅威に関するセキュリティ問題に対処する。
  論文  参考訳（メタデータ） (2021-04-06T01:47:50Z)
• Binary Graph Neural Networks [69.51765073772226]
  グラフニューラルネットワーク(gnns)は、不規則データに対する表現学習のための強力で柔軟なフレームワークとして登場した。 本稿では,グラフニューラルネットワークのバイナライゼーションのための異なる戦略を提示し,評価する。 モデルの慎重な設計とトレーニングプロセスの制御によって、バイナリグラフニューラルネットワークは、挑戦的なベンチマークの精度において、適度なコストでトレーニングできることを示しています。
  論文  参考訳（メタデータ） (2020-12-31T18:48:58Z)

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。