論文の概要: Topics in Deep Learning and Optimization Algorithms for IoT Applications in Smart Transportation

• arxiv url: http://arxiv.org/abs/2210.07246v1
• Date: Thu, 13 Oct 2022 11:45:30 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-17 17:09:44.633711
• Title: Topics in Deep Learning and Optimization Algorithms for IoT Applications in Smart Transportation
• Title（参考訳）: スマートトランスポートにおけるIoTアプリケーションのためのディープラーニングと最適化アルゴリズムの話題
• Authors: Hongde Wu
• Abstract要約: この論文は、最適化アルゴリズムと機械学習の異なる手法をどのように活用してシステム性能を向上するかを考察する。 第1のトピックでは、分散ADMM方式を用いた最適な伝送周波数管理方式を提案する。 第2のトピックでは、共有自転車の需要予測にグラフニューラルネットワーク(GNN)を活用する。 最後のトピックでは、頻繁に車線変更行動が発生するハイウェイ交通ネットワークのシナリオについて考察する。
• 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: Nowadays, the Internet of Things (IoT) has become one of the most important technologies which enables a variety of connected and intelligent applications in smart cities. The smart decision making process of IoT devices not only relies on the large volume of data collected from their sensors, but also depends on advanced optimization theories and novel machine learning technologies which can process and analyse the collected data in specific network structure. Therefore, it becomes practically important to investigate how different optimization algorithms and machine learning techniques can be leveraged to improve system performance. As one of the most important vertical domains for IoT applications, smart transportation system has played a key role for providing real-world information and services to citizens by making their access to transport facilities easier and thus it is one of the key application areas to be explored in this thesis. In a nutshell, this thesis covers three key topics related to applying mathematical optimization and deep learning methods to IoT networks. In the first topic, we propose an optimal transmission frequency management scheme using decentralized ADMM-based method in a IoT network and introduce a mechanism to identify anomalies in data transmission frequency using an LSTM-based architecture. In the second topic, we leverage graph neural network (GNN) for demand prediction for shared bikes. In particular, we introduce a novel architecture, i.e., attention-based spatial temporal graph convolutional network (AST-GCN), to improve the prediction accuracy in real world datasets. In the last topic, we consider a highway traffic network scenario where frequent lane changing behaviors may occur with probability. A specific GNN based anomaly detector is devised to reveal such a probability driven by data collected in a dedicated mobility simulator.
• Abstract（参考訳）: 今日では、IoT(Internet of Things)は、スマートシティにおけるさまざまなコネクテッドおよびインテリジェントなアプリケーションを可能にする、最も重要な技術のひとつになっています。 iotデバイスのスマートな意思決定プロセスは、センサから収集した大量のデータに依存するだけでなく、収集したデータを特定のネットワーク構造で処理し分析できる高度な最適化理論や新しい機械学習技術にも依存している。 そのため,システム性能向上のために最適化アルゴリズムと機械学習技術の違いをいかに活用できるかを,実際に検討することが重要である。 iotアプリケーションにとって最も重要な垂直ドメインの1つとして、スマートトランスポーテーションシステム(smart transportation system)は、輸送施設へのアクセスをより簡単にすることで、市民に現実世界の情報とサービスを提供する上で重要な役割を担っている。 簡単に言うと、この論文は、IoTネットワークに数学的最適化とディープラーニングメソッドを適用することに関連する3つの重要なトピックをカバーしている。 第1のトピックでは,分散ADMM方式を用いた最適な伝送周波数管理手法を提案し,LSTMアーキテクチャを用いてデータ伝送周波数の異常を識別する機構を提案する。 第2のトピックでは、共有自転車の需要予測にグラフニューラルネットワーク(GNN)を利用する。 特に,注目に基づく空間時空間グラフ畳み込みネットワーク(AST-GCN)を導入し,実世界のデータセットの予測精度を向上させる。 最後のトピックでは、頻繁な車線変更行動が確率的に発生する高速道路交通ネットワークシナリオについて考察する。 専用モビリティシミュレータで収集されたデータによって駆動される確率を明らかにするために、特定のGNNベースの異常検知器が考案された。

関連論文リスト

• Optimizing Age of Information in Vehicular Edge Computing with Federated Graph Neural Network Multi-Agent Reinforcement Learning [44.17644657738893]
  本稿では,データ更新の鍵となる情報時代(AoI)に着目し,RSU通信資源制約下での車両のタスクオフロード問題について検討する。 本稿では,Federated Graph Neural Network Multi-Agent Reinforcement Learning (FGNN-MADRL) と名付けたグラフニューラルネットワーク(GNN)を組み合わせた分散分散学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-01T15:37:38Z)
• Automatic AI Model Selection for Wireless Systems: Online Learning via Digital Twinning [50.332027356848094]
  AIベースのアプリケーションは、スケジューリングや電力制御などの機能を実行するために、インテリジェントコントローラにデプロイされる。 コンテキストとAIモデルのパラメータのマッピングは、ゼロショット方式で理想的に行われる。 本稿では,AMSマッピングのオンライン最適化のための一般的な手法を紹介する。
  論文  参考訳（メタデータ） (2024-06-22T11:17:50Z)
• Federated Learning for Energy Constrained IoT devices: A systematic mapping study [0.0]
  Federated Machine Learning (Fed ML)は、グローバルモデルの協調トレーニングに使用される、新しい分散機械学習技術である。 Fed MLは、その機密性を保証する。ネットワークセキュリティの重要な側面であり、データに敏感なIoT(Internet of Things)のコンテキストで使用することができる。 ほとんどのIoTデバイスは特にエネルギーに制約があるため、効率的なトレーニングタスクと電力消費の最適化のためにFed MLプロセスを最適化する必要が生じる。
  論文  参考訳（メタデータ） (2023-01-09T23:30:32Z)
• 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)
• Machine Learning-Based User Scheduling in Integrated Satellite-HAPS-Ground Networks [82.58968700765783]
  第6世代通信ネットワーク(6G)の強化のための価値あるソリューション空間の提供を約束する。 本稿では,空対地統合通信におけるユーザスケジューリングにおける機械学習の可能性について述べる。
  論文  参考訳（メタデータ） (2022-05-27T13:09:29Z)
• 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)
• 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)
• Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G Networks [84.2155885234293]
  まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。 このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-02-22T14:38:11Z)
• Deep Learning based Pedestrian Inertial Navigation: Methods, Dataset and On-Device Inference [49.88536971774444]
  慣性測定ユニット(IMU)は小型で安価でエネルギー効率が良く、スマートデバイスや移動ロボットに広く使われている。 正確で信頼性の高い歩行者ナビゲーションをサポートするために慣性データをエクスプロイトすることは、新しいインターネット・オブ・シングス・アプリケーションやサービスにとって重要なコンポーネントである。 我々は、深層学習に基づく慣性ナビゲーション研究のための最初の公開データセットであるOxIOD(OxIOD)を提示、リリースする。
  論文  参考訳（メタデータ） (2020-01-13T04:41:54Z)

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。