論文の概要: LE3D: A Lightweight Ensemble Framework of Data Drift Detectors for
Resource-Constrained Devices
- arxiv url: http://arxiv.org/abs/2211.01840v1
- Date: Thu, 3 Nov 2022 14:20:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-04 14:44:07.443574
- Title: LE3D: A Lightweight Ensemble Framework of Data Drift Detectors for
Resource-Constrained Devices
- Title（参考訳）: LE3D:資源制約デバイスのためのデータドリフト検出器の軽量アンサンブルフレームワーク
- Authors: Ioannis Mavromatis and Adrian Sanchez-Mompo and Francesco Raimondo and
James Pope and Marcello Bullo and Ingram Weeks and Vijay Kumar and Pietro
Carnelli and George Oikonomou and Theodoros Spyridopoulos and Aftab Khan
- Abstract要約: 本稿では,センサの異常検出が可能なデータドリフト推定器のアンサンブルフレームワークLE3Dを提案する。
提案されたフレームワークは、リソース制約のあるIoTデバイス上で動作可能な、軽量で教師なしの実装である。
また,本手法の有効性を示すとともに,最小限のリソースを必要としながら,検出精度の最大97%を達成できることを示す。
- 参考スコア（独自算出の注目度）: 5.990153766122006
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Data integrity becomes paramount as the number of Internet of Things (IoT)
sensor deployments increases. Sensor data can be altered by benign causes or
malicious actions. Mechanisms that detect drifts and irregularities can prevent
disruptions and data bias in the state of an IoT application. This paper
presents LE3D, an ensemble framework of data drift estimators capable of
detecting abnormal sensor behaviours. Working collaboratively with surrounding
IoT devices, the type of drift (natural/abnormal) can also be identified and
reported to the end-user. The proposed framework is a lightweight and
unsupervised implementation able to run on resource-constrained IoT devices.
Our framework is also generalisable, adapting to new sensor streams and
environments with minimal online reconfiguration. We compare our method against
state-of-the-art ensemble data drift detection frameworks, evaluating both the
real-world detection accuracy as well as the resource utilisation of the
implementation. Experimenting with real-world data and emulated drifts, we show
the effectiveness of our method, which achieves up to 97% of detection accuracy
while requiring minimal resources to run.
- Abstract（参考訳）: IoT(Internet of Things)センサーのデプロイ数が増加するにつれて、データの整合性が最重要になる。
センサーデータは、良性の原因や悪意のあるアクションによって変更できる。
ドリフトや不規則を検出するメカニズムは、IoTアプリケーションの状態における障害やデータのバイアスを防ぐことができる。
本稿では,センサの異常検出が可能なデータドリフト推定器のアンサンブルフレームワークLE3Dを提案する。
周辺IoTデバイスと連携して作業することで、ドリフトの種類(自然/異常)を特定し、エンドユーザに報告することもできる。
提案されたフレームワークは、リソース制約のあるIoTデバイス上で実行できる軽量で教師なしの実装である。
私たちのフレームワークは、オンライン再構成を最小限にした新しいセンサストリームや環境にも適応しています。
本手法を最先端のデータドリフト検出フレームワークと比較し,実世界の検出精度と実装の資源利用性の評価を行った。
本研究では,実世界のデータとエミュレートドリフトを用いて,検出精度を最大97%まで向上させる手法の有効性を示す。
関連論文リスト
- Learning 3D Perception from Others' Predictions [64.09115694891679]
本研究では,3次元物体検出装置を構築するための新たなシナリオについて検討する。
例えば、自動運転車が新しいエリアに入ると、その領域に最適化された検出器を持つ他の交通参加者から学ぶことができる。
論文 参考訳（メタデータ） (2024-10-03T16:31:28Z) - Robust Multimodal 3D Object Detection via Modality-Agnostic Decoding and Proximity-based Modality Ensemble [15.173314907900842]
既存の3Dオブジェクト検出方法は、LiDARセンサーに大きく依存している。
我々は,LiDAR過信頼問題に対処するためにMEFormerを提案する。
我々のMEFormerは73.9% NDSと71.5% mAPの最先端性能を実現している。
論文 参考訳（メタデータ） (2024-07-27T03:21:44Z) - Unsupervised Domain Adaptation for Self-Driving from Past Traversal
Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。
提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。
実世界のデータセットの実験では、大幅な改善が示されている。
論文 参考訳（メタデータ） (2023-09-21T15:00:31Z) - UnLoc: A Universal Localization Method for Autonomous Vehicles using
LiDAR, Radar and/or Camera Input [51.150605800173366]
UnLocは、全ての気象条件におけるマルチセンサー入力によるローカライズのための、新しい統一型ニューラルネットワークアプローチである。
本手法は,Oxford Radar RobotCar,Apollo SouthBay,Perth-WAの各データセットで広く評価されている。
論文 参考訳（メタデータ） (2023-07-03T04:10:55Z) - FLARE: Detection and Mitigation of Concept Drift for Federated Learning
based IoT Deployments [2.7776688429637466]
FLAREは、トレーニングデータを条件付きで転送し、エッジとセンサのエンドポイント間でモデルをデプロイする、軽量なデュアルスケジューリングFLフレームワークである。
固定間隔スケジューリング法と比較して,FLAREはエッジノードとセンサノード間で交換されるデータ量を大幅に削減できることを示す。
少なくとも16倍のレイテンシで、コンセプトドリフトを反応的に検出できる。
論文 参考訳（メタデータ） (2023-05-15T10:09:07Z) - Multi-Modal 3D Object Detection by Box Matching [109.43430123791684]
マルチモーダル3次元検出のためのボックスマッチング(FBMNet)による新しいフュージョンネットワークを提案する。
3Dオブジェクトと2Dオブジェクトの提案を学習することで、ROI特徴を組み合わせることで、検出のための融合を効果的に行うことができる。
論文 参考訳（メタデータ） (2023-05-12T18:08:51Z) - Demo: LE3D: A Privacy-preserving Lightweight Data Drift Detection
Framework [2.03818225423524]
LE3Dは、IoT(Internet of Things)センサーデプロイメントにおける新しいドリフト検出メカニズムを評価するための一般的なプラットフォームである。
我々のフレームワークは分散的に動作し、データのプライバシを保ちながら、最小限のオンライン再構成を伴う新しいセンサーに適応できる。
論文 参考訳（メタデータ） (2022-11-03T14:10:03Z) - Benchmarking the Robustness of LiDAR-Camera Fusion for 3D Object
Detection [58.81316192862618]
自律運転における3D知覚のための2つの重要なセンサーは、カメラとLiDARである。
これら2つのモダリティを融合させることで、3次元知覚モデルの性能を大幅に向上させることができる。
我々は、最先端の核融合法を初めてベンチマークした。
論文 参考訳（メタデータ） (2022-05-30T09:35:37Z) - Radar Voxel Fusion for 3D Object Detection [0.0]
本稿では,3次元物体検出のための低レベルセンサ融合ネットワークを開発する。
レーダーセンサーの融合は、雨や夜景のような裂け目状態において特に有益である。
論文 参考訳（メタデータ） (2021-06-26T20:34:12Z) - Efficient and Robust LiDAR-Based End-to-End Navigation [132.52661670308606]
我々は,LiDARをベースとした効率的なエンドツーエンドナビゲーションフレームワークを提案する。
本稿では,スパース畳み込みカーネル最適化とハードウェア対応モデル設計に基づくFast-LiDARNetを提案する。
次に,単一の前方通過のみから予測の不確かさを直接推定するハイブリッド・エビデンシャル・フュージョンを提案する。
論文 参考訳（メタデータ） (2021-05-20T17:52:37Z) - On the Role of Sensor Fusion for Object Detection in Future Vehicular
Networks [25.838878314196375]
異なるセンサの組み合わせが車両の移動・運転環境の検出にどのように影響するかを評価します。
最終的な目標は、チャネルに分散するデータの量を最小限に抑える最適な設定を特定することです。
論文 参考訳（メタデータ） (2021-04-23T18:58:37Z)
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。