論文の概要: Edge-centric Optimization of Multi-modal ML-driven eHealth Applications
- arxiv url: http://arxiv.org/abs/2208.02597v1
- Date: Thu, 4 Aug 2022 11:51:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-05 13:11:04.647891
- Title: Edge-centric Optimization of Multi-modal ML-driven eHealth Applications
- Title（参考訳）: マルチモーダルml駆動ehealthアプリケーションのエッジ中心最適化
- Authors: Anil Kanduri, Sina Shahhosseini, Emad Kasaeyan Naeini, Hamidreza
Alikhani, Pasi Liljeberg, Nikil Dutt, and Amir M. Rahmani
- Abstract要約: スマートeHealthアプリケーションは、複数のモードからの入力データを検知し、エッジやクラウドノードにデータを送信し、計算集約機械学習(ML)アルゴリズムでデータを処理します。
本稿では,機械学習によるeHealthアプリケーションのためのエッジ中心の最適化手法,精度-性能トレードオフの探索,および層間共最適化について述べる。
- 参考スコア（独自算出の注目度）: 3.580536707578708
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Smart eHealth applications deliver personalized and preventive digital
healthcare services to clients through remote sensing, continuous monitoring,
and data analytics. Smart eHealth applications sense input data from multiple
modalities, transmit the data to edge and/or cloud nodes, and process the data
with compute intensive machine learning (ML) algorithms. Run-time variations
with continuous stream of noisy input data, unreliable network connection,
computational requirements of ML algorithms, and choice of compute placement
among sensor-edge-cloud layers affect the efficiency of ML-driven eHealth
applications. In this chapter, we present edge-centric techniques for optimized
compute placement, exploration of accuracy-performance trade-offs, and
cross-layered sense-compute co-optimization for ML-driven eHealth applications.
We demonstrate the practical use cases of smart eHealth applications in
everyday settings, through a sensor-edge-cloud framework for an objective pain
assessment case study.
- Abstract（参考訳）: スマートeHealthアプリケーションは、リモートセンシング、継続的監視、データ分析を通じて、パーソナライズされた予防的なデジタルヘルスケアサービスをクライアントに提供する。
スマートeHealthアプリケーションは、複数のモードからの入力データを検知し、エッジやクラウドノードにデータを送信し、計算集約機械学習(ML)アルゴリズムでデータを処理します。
ノイズの多い入力データの連続ストリームによる実行時の変動、信頼性の低いネットワーク接続、MLアルゴリズムの計算要求、センサエッジクラウド層間の計算配置の選択は、ML駆動のeHealthアプリケーションの効率に影響を与える。
本章では,機械学習によるeHealthアプリケーションのためのエッジ中心の計算配置,精度-性能トレードオフの探索,および層間共最適化について述べる。
本稿では、センサエッジクラウドフレームワークを用いて、日常的な状況下でのスマートeHealthアプリケーションの実例を、客観的な痛み評価ケーススタディとして示す。
関連論文リスト
- Scaling Wearable Foundation Models [54.93979158708164]
センサ基礎モデルのスケーリング特性を計算,データ,モデルサイズにわたって検討する。
最大4000万時間分の心拍数、心拍変動、心電図活動、加速度計、皮膚温度、および1分間のデータを用いて、私たちはLSMを作成します。
この結果から,LSMのスケーリング法則は,時間とセンサの両面において,計算や外挿などのタスクに対して確立されている。
論文 参考訳（メタデータ） (2024-10-17T15:08:21Z) - Machine Learning Optimized Approach for Parameter Selection in MESHFREE Simulations [0.0]
従来のメッシュベースのアプローチに代わる魅力的な代替手段として、メッシュフリーシミュレーション手法が登場している。
機械学習(ML)とFraunhoferのMESHFREEソフトウェアを組み合わせた研究の概要について概説する。
本稿では,MESHFREEシミュレーションデータに能動的学習,回帰木を用いたML最適化手法を提案する。
論文 参考訳（メタデータ） (2024-03-20T15:29:59Z) - Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。
CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。
睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
論文 参考訳（メタデータ） (2023-05-30T08:24:01Z) - Cellular Network Capacity and Coverage Enhancement with MDT Data and
Deep Reinforcement Learning [2.2412873466757297]
本稿では,TIMのセルネットワークからセル群に傾斜したアンテナをチューニングすることにより,DRL(Deep Reinforcement Learning)アルゴリズムを用いて,範囲とキャパシティを最適化する。
我々は、MDTデータ、電磁シミュレーション、ネットワークキーパフォーマンスインジケータ(KPI)を併用して、Deep Q-Network(DQN)エージェントのトレーニングのためのシミュレーションネットワーク環境を定義する。
論文 参考訳（メタデータ） (2022-02-22T15:16:53Z) - AMSER: Adaptive Multi-modal Sensing for Energy Efficient and Resilient
eHealth Systems [5.04685484754788]
感覚データ取得時のノイズの多い入力と動きアーチファクトは、eHealthサービスの予測精度とレジリエンスに影響を与える。
本稿では,ガベージインガベージアウトを軽減できるマルチモーダルeHealthアプリケーション AMSER のためのクローズドループモニタリングおよび制御フレームワークを提案する。
提案手法は, 予測精度が最大22%向上し, 5.6$times$ Energy consumption reduction in the sensor phaseが得られた。
論文 参考訳（メタデータ） (2021-12-13T00:52:33Z) - An adaptive cognitive sensor node for ECG monitoring in the Internet of
Medical Things [0.7646713951724011]
インターネット・オブ・メディカル・モノズ(IoMT)パラダイムは、複数の臨床試験や医療処置で主流になりつつある。
本研究では,資源制約型コンピューティングプラットフォームにおける認知データ解析アルゴリズムの実装について検討する。
コンボリューションニューラルネットワークを用いて心電図のトレースを分類する手法について検討した。
論文 参考訳（メタデータ） (2021-06-11T16:49:10Z) - The Medkit-Learn(ing) Environment: Medical Decision Modelling through
Simulation [81.72197368690031]
医用シーケンシャルな意思決定に特化して設計された新しいベンチマークスイートを提案する。
Medkit-Learn(ing) Environmentは、高忠実度合成医療データに簡単かつ簡単にアクセスできるPythonパッケージである。
論文 参考訳（メタデータ） (2021-06-08T10:38:09Z) - Feeling of Presence Maximization: mmWave-Enabled Virtual Reality Meets
Deep Reinforcement Learning [76.46530937296066]
本稿では,無線モバイルユーザに対して,超信頼性でエネルギー効率のよいバーチャルリアリティ(VR)体験を提供するという課題について検討する。
モバイルユーザへの信頼性の高い超高精細ビデオフレーム配信を実現するために,コーディネートマルチポイント(CoMP)伝送技術とミリ波(mmWave)通信を利用する。
論文 参考訳（メタデータ） (2021-06-03T08:35:10Z) - Interpretable Deep Learning for the Remote Characterisation of
Ambulation in Multiple Sclerosis using Smartphones [3.5547766520356547]
スマートフォンの慣性センサデータに適用した深層畳み込みニューラルネットワーク (dcnn) は, 健常者とms群との区別が良好であった。
同様の大規模オープンソースデータセットからの転送学習(tl)モデルを提案した。
ブラックボックス」深層ネットワークの透明性の欠如は、臨床応用における深層学習の広く受け入れられる最大の障害の1つである。
論文 参考訳（メタデータ） (2021-03-16T16:15:49Z) - 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) - Reconfigurable Intelligent Surface Assisted Mobile Edge Computing with
Heterogeneous Learning Tasks [53.1636151439562]
モバイルエッジコンピューティング(MEC)は、AIアプリケーションに自然なプラットフォームを提供します。
再構成可能なインテリジェントサーフェス(RIS)の助けを借りて、MECで機械学習タスクを実行するインフラストラクチャを提示します。
具体的には,モバイルユーザの送信パワー,基地局のビームフォーミングベクトル,risの位相シフト行列を共同で最適化することにより,参加ユーザの学習誤差を最小化する。
論文 参考訳（メタデータ） (2020-12-25T07:08:50Z)
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。