論文の概要: Topological Simplification of Signals for Inference and Approximate Reconstruction

• arxiv url: http://arxiv.org/abs/2206.07486v1
• Date: Wed, 25 May 2022 20:06:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-19 23:29:22.426001
• Title: Topological Simplification of Signals for Inference and Approximate Reconstruction
• Title（参考訳）: 推定と近似再構成のための信号の位相的単純化
• Authors: Gary Koplik, Nathan Borggren, Sam Voisin, Gabrielle Angeloro, Jay Hineman, Tessa Johnson, Paul Bendich
• Abstract要約: 制限された電力や通信予算で運用する場合、デバイスは高度に圧縮されたデータしか送信できない。 本稿では,これらの制約的かつ変動的な状況によく対応した,新しいトポロジに基づくロッキー圧縮法を提案する。 この技術であるトポロジカル信号圧縮(Topological Signal Compression)は、可変通信予算全体を利用する圧縮信号の送信を可能にする。
• 参考スコア（独自算出の注目度）: 0.3463527836552467
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: As Internet of Things (IoT) devices become both cheaper and more powerful, researchers are increasingly finding solutions to their scientific curiosities both financially and computationally feasible. When operating with restricted power or communications budgets, however, devices can only send highly-compressed data. Such circumstances are common for devices placed away from electric grids that can only communicate via satellite, a situation particularly plausible for environmental sensor networks. These restrictions can be further complicated by potential variability in the communications budget, for example a solar-powered device needing to expend less energy when transmitting data on a cloudy day. We propose a novel, topology-based, lossy compression method well-equipped for these restrictive yet variable circumstances. This technique, Topological Signal Compression, allows sending compressed signals that utilize the entirety of a variable communications budget. To demonstrate our algorithm's capabilities, we perform entropy calculations as well as a classification exercise on increasingly topologically simplified signals from the Free-Spoken Digit Dataset and explore the stability of the resulting performance against common baselines.
• Abstract（参考訳）: モノのインターネット(IoT)デバイスが安価かつ強力になるにつれて、研究者たちは、財政的にも計算的にも、科学的キュリオシティの解決策を見つけ始めている。 しかし、制限された電力または通信予算で運用する場合、デバイスは高度に圧縮されたデータしか送信できない。 このような状況は、衛星を介してしか通信できない電力網から離れたデバイスに共通しており、特に環境センサネットワークに有効な状況である。 これらの制限は、例えば、曇りの日にデータを送信する際に少ないエネルギーを消費する太陽エネルギー装置のような通信予算の潜在的な変動によってさらに複雑になる可能性がある。 そこで本稿では,これらの制約のある可変環境に対して,新しいトポロジーベースで損失性のある圧縮手法を提案する。 この手法はトポロジカル信号圧縮であり、可変通信予算の全体を利用する圧縮信号を送信することができる。 アルゴリズムの能力を示すために,自由声素データ集合からの位相的簡素化信号に対するエントロピー計算と分類演習を行い,共通ベースラインに対する結果の安定性について検討した。

関連論文リスト

• Towards Resource-Efficient Federated Learning in Industrial IoT for Multivariate Time Series Analysis [50.18156030818883]
  異常と欠落したデータは、産業応用における厄介な問題を構成する。 ディープラーニングによる異常検出が重要な方向として現れている。 エッジデバイスで収集されたデータは、ユーザのプライバシを含む。
  論文  参考訳（メタデータ） (2024-11-06T15:38:31Z)
• Neuromorphic Split Computing with Wake-Up Radios: Architecture and Design via Digital Twinning [97.99077847606624]
  本研究は,遠隔・無線接続型NPUからなる分割計算機システムに,覚醒無線機構を組み込んだ新しいアーキテクチャを提案する。 覚醒無線に基づくニューロモルフィックスプリットコンピューティングシステムの設計における重要な課題は、検知、覚醒信号検出、意思決定のためのしきい値の選択である。
  論文  参考訳（メタデータ） (2024-04-02T10:19:04Z)
• Neuromorphic Event-Driven Semantic Communication in Microgrids [5.817656520396958]
  本稿では,各ノードにスパイキングニューラルネットワーク(SNN)を用いて通信機能を埋め込むニューロモルフィック学習を提案する。 スパイキング信号で作動する従来のニューロモルフィックセンサとは対照的に、イベント駆動選択的プロセスを用いてスパースデータを収集し、SNNの訓練を行う。
  論文  参考訳（メタデータ） (2024-02-28T15:11:02Z)
• Intelligent Communication Planning for Constrained Environmental IoT Sensing with Reinforcement Learning [19.715387333728152]
  モノのインターネット(IoT)デバイスは、しばしば電力制限を受け、帯域幅が限られている無線通信方式を利用する。 環境状態を追跡するIoTセンサの通信計画問題を定式化する。 本稿では,センサごとの最適な通信ポリシーを見つけるために,マルチエージェント強化学習(MARL)手法を提案する。
  論文  参考訳（メタデータ） (2023-08-19T22:59:09Z)
• Unboxing Trustworthiness through Quantum Internet [0.0]
  本稿では,南極における永久凍土のリモートセンシングにおける量子コンセンサスアーキテクチャの利用について検討する。 フォールトトレランスプロトコルに関連するトラフィックオーバーヘッドを低減するために,量子コンセンサス管理プレーンの利用を提案する。
  論文  参考訳（メタデータ） (2022-10-19T16:02:45Z)
• Hybrid AI-based Anomaly Detection Model using Phasor Measurement Unit Data [0.41998444721319217]
  ファサー計測装置(PMU)を用いて電力システムを監視することは、将来有望な技術の一つである。 サイバー物理的相互作用の増加は、利点と欠点の両方をもたらし、そこでは、測定データの異常の形で欠点の1つが生まれる。 本稿では,PMUデータにおける異常検出の様々な手法に基づくハイブリッドAIベースモデルを開発することを目的とする。
  論文  参考訳（メタデータ） (2022-09-21T11:22:01Z)
• Heterogeneous Noisy Short Signal Camouflage in Multi-Domain Environment Decision-Making [0.0]
  画像や音声信号に変換することで,情報(センサ信号)を隠蔽する手法を提案する。 軍事近代化に向けた最新の試みの1つとして、インテリジェントな識別・検出操作を実現する上での課題について検討する。
  論文  参考訳（メタデータ） (2021-06-02T22:59:58Z)
• On Telecommunication Service Imbalance and Infrastructure Resource Deployment [95.80185574417428]
  本稿では,通信サービス不均衡,通信インフラ,人口分布の関係を定量的に関連付けることを目的とした,細粒度で計算が容易な不均衡指数を提案する。 また,この指標に基づいて,任意の地理的セグメントの平均不均衡指数を最小化することにより,インフラ資源の展開戦略を提案する。
  論文  参考訳（メタデータ） (2021-04-08T17:45:32Z)
• Towards AIOps in Edge Computing Environments [60.27785717687999]
  本稿では,異種分散環境に適用可能なaiopsプラットフォームのシステム設計について述べる。 高頻度でメトリクスを収集し、エッジデバイス上で特定の異常検出アルゴリズムを直接実行することが可能である。
  論文  参考訳（メタデータ） (2021-02-12T09:33:00Z)
• A Linearly Convergent Algorithm for Decentralized Optimization: Sending Less Bits for Free! [72.31332210635524]
  分散最適化手法は、中央コーディネータを使わずに、機械学習モデルのデバイス上でのトレーニングを可能にする。 ランダム化圧縮演算子を適用し,通信ボトルネックに対処する新しいランダム化一階法を提案する。 本手法は,ベースラインに比べて通信数の増加を伴わずに問題を解くことができることを示す。
  論文  参考訳（メタデータ） (2020-11-03T13:35:53Z)
• A Compressive Sensing Approach for Federated Learning over Massive MIMO Communication Systems [82.2513703281725]
  フェデレートラーニング(Federated Learning)は、無線デバイスとのコラボレーションによって、中央サーバでグローバルモデルをトレーニングするための、プライバシ保護のアプローチである。 本稿では,大規模マルチインプット多出力通信システム上でのフェデレーション学習のための圧縮センシング手法を提案する。
  論文  参考訳（メタデータ） (2020-03-18T05:56:27Z)

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。