論文の概要: SECOE: Alleviating Sensors Failure in Machine Learning-Coupled IoT Systems

• arxiv url: http://arxiv.org/abs/2210.02144v1
• Date: Wed, 5 Oct 2022 10:58:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-06 15:12:52.990506
• Title: SECOE: Alleviating Sensors Failure in Machine Learning-Coupled IoT Systems
• Title（参考訳）: SECOE: マシンラーニングと結合したIoTシステムにおけるセンサ障害軽減
• Authors: Yousef AlShehri and Lakshmish Ramaswamy
• Abstract要約: 本論文は,センサ障害を同時に緩和するための積極的なアプローチであるSECOEを提案する。 SECOEは、センサー間の相関を利用してアンサンブル内のモデル数を最小化する新しい技術を含んでいる。 実験の結果,SECOEはセンサ故障の有無の予測精度を効果的に維持することがわかった。
• 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: Machine learning (ML) applications continue to revolutionize many domains. In recent years, there has been considerable research interest in building novel ML applications for a variety of Internet of Things (IoT) domains, such as precision agriculture, smart cities, and smart manufacturing. IoT domains are characterized by continuous streams of data originating from diverse, geographically distributed sensors, and they often require a real-time or semi-real-time response. IoT characteristics pose several fundamental challenges to designing and implementing effective ML applications. Sensor/network failures that result in data stream interruptions is one such challenge. Unfortunately, the performance of many ML applications quickly degrades when faced with data incompleteness. Current techniques to handle data incompleteness are based upon data imputation ( i.e., they try to fill-in missing data). Unfortunately, these techniques may fail, especially when multiple sensors' data streams become concurrently unavailable (due to simultaneous sensor failures). With the aim of building robust IoT-coupled ML applications, this paper proposes SECOE, a unique, proactive approach for alleviating potentially simultaneous sensor failures. The fundamental idea behind SECOE is to create a carefully chosen ensemble of ML models in which each model is trained assuming a set of failed sensors (i.e., the training set omits corresponding values). SECOE includes a novel technique to minimize the number of models in the ensemble by harnessing the correlations among sensors. We demonstrate the efficacy of the SECOE approach through a series of experiments involving three distinct datasets. The experimental findings reveal that SECOE effectively preserves prediction accuracy in the presence of sensor failures.
• Abstract（参考訳）: 機械学習(ML)アプリケーションは、多くのドメインに革命をもたらし続けている。 近年、精密農業、スマートシティ、スマートマニュファクチャリングなど、さまざまなモノのインターネット(IoT)ドメインのための新しいMLアプリケーションを構築することに、かなりの研究関心が寄せられている。 IoTドメインは、多様な地理的に分散したセンサーから派生したデータの連続的なストリームによって特徴づけられる。 IoTの特徴は、効果的なMLアプリケーションの設計と実装にいくつかの根本的な課題をもたらす。 データストリームの中断を引き起こすセンサ/ネットワーク障害は、そのような課題のひとつです。 残念なことに、多くのMLアプリケーションのパフォーマンスは、データ不完全性に直面した時に急速に低下する。 データ不完全性を扱う現在のテクニックは、データインプテーション(つまり、欠落したデータを満たそうとする)に基づいている。 残念なことに、これらのテクニックは、特に複数のセンサーのデータストリームが同時に利用できなくなると失敗する可能性がある。 堅牢なIoT結合型MLアプリケーションの構築を目的として,本論文では,センサ障害を同時に緩和するためのユニークなプロアクティブアプローチであるSECOEを提案する。 SECOEの背後にある基本的な考え方は、各モデルが失敗するセンサーのセット(すなわち、トレーニングセットが対応する値を省略する)を仮定してトレーニングされる、慎重に選択されたMLモデルのアンサンブルを作成することである。 SECOEは、センサー間の相関を利用してアンサンブル内のモデル数を最小化する新しい技術を含んでいる。 3つの異なるデータセットを含む一連の実験を通して,SECOEアプローチの有効性を示す。 実験の結果,SECOEはセンサ故障の有無の予測精度を効果的に維持することがわかった。

関連論文リスト

• An Energy-Efficient Ensemble Approach for Mitigating Data Incompleteness in IoT Applications [0.0]
  同時にエネルギー効率を向上しながら、データの不完全性に対して堅牢なIoTベースの機械学習システムを構築することが重要である。 ENAMLEは、同時に欠落するデータの影響を緩和するための、能動的でエネルギーに配慮した技術である。 本研究では,ENAMLEのエネルギー効率を示す2つの異なる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） (2024-03-15T15:01:48Z)
• A Plug-in Tiny AI Module for Intelligent and Selective Sensor Data Transmission [10.174575604689391]
  本稿では、インテリジェントなデータ伝送機能を備えたセンシングフレームワークを実現するための新しいセンシングモジュールを提案する。 センサの近くに置かれる高効率機械学習モデルを統合する。 このモデルは,無関係な情報を破棄しながら,貴重なデータのみを送信するセンサシステムに対して,迅速なフィードバックを提供する。
  論文  参考訳（メタデータ） (2024-02-03T05:41:39Z)
• Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
  我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。 FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。 実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
  論文  参考訳（メタデータ） (2024-01-22T14:16:37Z)
• Missing Value Imputation for Multi-attribute Sensor Data Streams via Message Propagation (Extended Version) [25.022656067909523]
  タイムウインドウでデータインスタンスの欠落した値を復元できるMPIN(Message propagation imputation Network)を提案する。 MPINは、既存のデータインプタを幅広いマージンで上回り、継続的なインプタフレームワークは効率的かつ正確である。
  論文  参考訳（メタデータ） (2023-11-13T14:01:04Z)
• 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)
• Online Data Selection for Federated Learning with Limited Storage [53.46789303416799]
  ネットワークデバイス間での分散機械学習を実現するために、フェデレートラーニング(FL)が提案されている。 デバイス上のストレージがFLの性能に与える影響はまだ調査されていない。 本研究では,デバイス上のストレージを限定したFLのオンラインデータ選択について検討する。
  論文  参考訳（メタデータ） (2022-09-01T03:27:33Z)
• Anomaly Detection and Inter-Sensor Transfer Learning on Smart Manufacturing Datasets [6.114996271792091]
  スマートマニュファクチャリングシステムの目標は、運用コストを削減し、ダウンタイムをなくすために、失敗を迅速に検出(または予測)することである。 これはしばしば、システムから取得したセンサーの日程内で異常を検出することに起因する。 スマートマニュファクチャリングアプリケーションドメインは、ある種の健全な技術的課題を提起します。 予測的障害分類が達成できることを示し、予測的メンテナンスの道を開く。
  論文  参考訳（メタデータ） (2022-06-13T17:51:24Z)
• DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation [68.8204255655161]
  識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。 通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。 その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2021-09-08T14:07:55Z)
• Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge Computing: A Contextual-Bandit Approach [81.5261621619557]
  階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。 まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。 そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
  論文  参考訳（メタデータ） (2021-08-09T08:45:47Z)
• Anomaly Detection through Transfer Learning in Agriculture and Manufacturing IoT Systems [4.193524211159057]
  本稿では, 農作物に設置したセンサから, 7種類のセンサからのデータと, 振動センサを用いた先進的な製造試験からのデータを分析する。 これら2つのアプリケーション領域において、予測的障害分類がいかに達成され、予測的メンテナンスの道が開かれたかを示す。
  論文  参考訳（メタデータ） (2021-02-11T02:37:27Z)
• Contextual-Bandit Anomaly Detection for IoT Data in Distributed Hierarchical Edge Computing [65.78881372074983]
  IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。 本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。 提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
  論文  参考訳（メタデータ） (2020-04-15T06:13:33Z)

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。