論文の概要: Active Learning with Convolutional Gaussian Neural Processes for
Environmental Sensor Placement
- arxiv url: http://arxiv.org/abs/2211.10381v1
- Date: Fri, 18 Nov 2022 17:25:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-21 14:15:22.951721
- Title: Active Learning with Convolutional Gaussian Neural Processes for
Environmental Sensor Placement
- Title(参考訳): 畳み込みガウスニューラルプロセスを用いた環境センサ配置のためのアクティブラーニング
- Authors: Tom R. Andersson, Wessel P. Bruinsma, Stratis Markou, Daniel C. Jones,
J. Scott Hosking, James Requeima, Alejandro Coca-Castro, Anna Vaughan,
Anna-Louise Ellis, Matthew Lazzara, Richard E. Turner
- Abstract要約: ConvGNPは、ニューラルネットワークを使用してGP予測をパラメータ化するメタ学習モデルである。
ConvGNPは予測性能において非定常GPベースラインを大幅に上回ることを示す。
次に,ConvGNPを用いて温度センサ配置玩具実験を行い,有望な結果を得た。
- 参考スコア(独自算出の注目度): 65.13973319334625
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deploying environmental measurement stations can be a costly and time
consuming procedure, especially in regions which are remote or otherwise
difficult to access, such as Antarctica. Therefore, it is crucial that sensors
are placed as efficiently as possible, maximising the informativeness of their
measurements. Previous approaches for identifying salient placement locations
typically model the data with a Gaussian process (GP). However, designing a GP
covariance which captures the complex behaviour of non-stationary
spatiotemporal data is a difficult task. Further, the computational cost of
these models make them challenging to scale to large environmental datasets. In
this work, we explore using convolutional Gaussian neural processes (ConvGNPs)
to address these issues. A ConvGNP is a meta-learning model which uses a neural
network to parameterise a GP predictive. Our model is data-driven, flexible,
efficient, and permits gridded or off-grid input data. Using simulated surface
temperature fields over Antarctica as ground truth, we show that a ConvGNP
substantially outperforms a non-stationary GP baseline in terms of predictive
performance. We then use the ConvGNP in a temperature sensor placement toy
experiment, yielding promising results.
- Abstract(参考訳): 環境測定ステーションの展開は、特に南極のような遠隔地やアクセスが難しい地域では、コストと時間のかかる作業である。
したがって、センサを可能な限り効率的に配置することが重要であり、測定のインフォメーション性を最大化する。
敬礼配置位置を特定する以前のアプローチは、典型的にはガウス過程(gp)でデータをモデル化する。
しかし,非定常時空間データの複雑な挙動を捉えるgp共分散の設計は難しい課題である。
さらに、これらのモデルの計算コストは、大規模な環境データセットへのスケールを困難にしている。
本研究では,畳み込み型ガウスニューラルプロセス(ConvGNP)を用いてこれらの問題に対処する。
ConvGNPは、ニューラルネットワークを使用してGP予測をパラメータ化するメタ学習モデルである。
私たちのモデルはデータ駆動、フレキシブル、効率的で、グリッドまたはオフグリッドの入力データを許可しています。
南極上空の模擬表面温度場を地表面事実として、予測性能において、ConvGNPが非定常GPベースラインを大幅に上回っていることを示す。
次に,ConvGNPを用いて温度センサ配置玩具実験を行い,有望な結果を得た。
関連論文リスト
- Efficient Unsupervised Domain Adaptation Regression for Spatial-Temporal Air Quality Sensor Fusion [6.963971634605796]
本稿では,グラフ構造データに対する回帰処理に適した新しいunsupervised domain adapt(UDA)手法を提案する。
センサ間の関係をモデル化するために、時空間グラフニューラルネットワーク(STGNN)を組み込んだ。
弊社のアプローチでは、安価なIoTセンサが高価な参照センサから校正パラメータを学習できる。
論文 参考訳(メタデータ) (2024-11-11T12:20:57Z) - A physics-driven sensor placement optimization methodology for temperature field reconstruction [9.976807723785006]
温度場再構成のための物理駆動型センサ配置最適化(PSPO)手法を提案する。
PSPO法はランダム選択法と均一選択法を大きく上回り、ほぼ一桁の精度で復元精度を向上させる。
論文 参考訳(メタデータ) (2024-09-27T03:26:38Z) - Graph Neural Networks for Virtual Sensing in Complex Systems: Addressing Heterogeneous Temporal Dynamics [8.715570103753697]
複雑なシステムの信頼性と効率的な運用にはリアルタイム状態監視が不可欠である。
本稿では,HTGNN(Heterogeneous Temporal Graph Neural Network)フレームワークを提案する。
HTGNNは多様なセンサーからの信号を明示的にモデル化し、動作条件をモデルアーキテクチャに統合する。
論文 参考訳(メタデータ) (2024-07-26T12:16:53Z) - Data-Induced Interactions of Sparse Sensors [3.050919759387984]
トレーニングデータによって引き起こされるセンサインタラクションの全体像を熱力学ビューで計算する。
これらのデータによって引き起こされるセンサーの相互作用をマッピングすることで、外部選択基準と組み合わせ、センサーの代替効果を予測することができる。
論文 参考訳(メタデータ) (2023-07-21T18:13:37Z) - Detection of Sensor-To-Sensor Variations using Explainable AI [2.2956649873563952]
化学抵抗性ガス検知装置は製造中のセンサの変動の問題に悩まされている。
本研究では、SHAP(SHAP)のAI(XAI)法を用いて、センサデバイスにおけるセンサとセンサの変動を検出する新しい手法を提案する。
本手法は,GRU(Gated Recurrent Unit)モデルをトレーニングするために,人工的および現実的なオゾン濃度プロファイルを用いて試験する。
論文 参考訳(メタデータ) (2023-06-19T11:00:54Z) - Multimodal Dataset from Harsh Sub-Terranean Environment with Aerosol
Particles for Frontier Exploration [55.41644538483948]
本稿では, エアロゾル粒子を用いた過酷で非構造的な地下環境からのマルチモーダルデータセットを提案する。
ロボットオペレーティング・システム(ROS)フォーマットのすべてのオンボードセンサーから、同期された生データ計測を含んでいる。
本研究の焦点は、時間的・空間的なデータの多様性を捉えることだけでなく、取得したデータに厳しい条件が及ぼす影響を示すことである。
論文 参考訳(メタデータ) (2023-04-27T20:21:18Z) - Information Entropy Initialized Concrete Autoencoder for Optimal Sensor
Placement and Reconstruction of Geophysical Fields [58.720142291102135]
そこで本稿では,スパーク計測による地場再構成のためのセンサ配置の最適化について提案する。
本研究では, (a) 温度と (b) バレンツ海周辺の塩分濃度場とスバルバルド諸島群を例に示す。
得られた最適センサ位置は, 物理的解釈が明確であり, 海流の境界に対応することが判明した。
論文 参考訳(メタデータ) (2022-06-28T12:43:38Z) - Real-time detection of uncalibrated sensors using Neural Networks [62.997667081978825]
オンライン学習に基づく温度・湿度・圧力センサの非校正検出装置を開発した。
このソリューションはニューラルネットワークをメインコンポーネントとして統合し、校正条件下でのセンサーの動作から学習する。
その結果, 提案手法は, 偏差値0.25度, 1% RH, 1.5Paの偏差をそれぞれ検出できることがわかった。
論文 参考訳(メタデータ) (2021-02-02T15:44:39Z) - Data-aided Sensing for Gaussian Process Regression in IoT Systems [48.523643863141466]
我々は,インターネット・オブ・シングス・システムにおいて,センサから収集したデータセットの学習にデータアシストセンシングを用いる。
データ支援センシングによるガウス過程回帰の精度向上に寄与し,予測によるマルチチャネルALOHAの修正が有効であることを示す。
論文 参考訳(メタデータ) (2020-11-23T20:59:51Z) - Energy Aware Deep Reinforcement Learning Scheduling for Sensors
Correlated in Time and Space [62.39318039798564]
相関情報を利用するスケジューリング機構を提案する。
提案したメカニズムは、センサが更新を送信する頻度を決定することができる。
我々は,センサの寿命を大幅に延長できることを示した。
論文 参考訳(メタデータ) (2020-11-19T09:53:27Z)
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。