論文の概要: A Bayesian Framework for Digital Twin-Based Control, Monitoring, and
Data Collection in Wireless Systems
- arxiv url: http://arxiv.org/abs/2212.01351v1
- Date: Fri, 2 Dec 2022 18:13:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-05 18:00:14.738520
- Title: A Bayesian Framework for Digital Twin-Based Control, Monitoring, and
Data Collection in Wireless Systems
- Title(参考訳): 無線システムにおけるディジタル双対制御・監視・データ収集のためのベイズ的フレームワーク
- Authors: Clement Ruah, Osvaldo Simeone, Bashir Al-Hashimi
- Abstract要約: デジタルツイン(DT)プラットフォームは、ソフトウェアベースのオープンな通信システムを制御、監視、分析するための有望なパラダイムと見なされている。
DTシステムのデプロイにおける重要な課題は、DTにおける仮想制御の最適化、監視、分析が安全で信頼性の高いものであることを保証することである。
本稿では,DTにおけるモデル不確実性の定量化と解析を目的とした一般ベイズフレームワークを提案する。
- 参考スコア(独自算出の注目度): 30.62844128870099
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Commonly adopted in the manufacturing and aerospace sectors, digital twin
(DT) platforms are increasingly seen as a promising paradigm to control,
monitor, and analyze software-based, "open", communication systems. Notably, DT
platforms provide a sandbox in which to test artificial intelligence (AI)
solutions for communication systems, potentially reducing the need to collect
data and test algorithms in the field, i.e., on the physical twin (PT). A key
challenge in the deployment of DT systems is to ensure that virtual control
optimization, monitoring, and analysis at the DT are safe and reliable,
avoiding incorrect decisions caused by "model exploitation". To address this
challenge, this paper presents a general Bayesian framework with the aim of
quantifying and accounting for model uncertainty at the DT that is caused by
limitations in the amount and quality of data available at the DT from the PT.
In the proposed framework, the DT builds a Bayesian model of the communication
system, which is leveraged to enable core DT functionalities such as control
via multi-agent reinforcement learning (MARL), monitoring of the PT for anomaly
detection, prediction, data-collection optimization, and counterfactual
analysis. To exemplify the application of the proposed framework, we
specifically investigate a case-study system encompassing multiple sensing
devices that report to a common receiver. Experimental results validate the
effectiveness of the proposed Bayesian framework as compared to standard
frequentist model-based solutions.
- Abstract(参考訳): 製造部門と航空宇宙部門で一般的に採用されているデジタルツイン(dt)プラットフォームは、ソフトウェアベースの「オープン」通信システムを制御、監視、分析するための有望なパラダイムと見なされている。
特にDTプラットフォームは、通信システムのための人工知能(AI)ソリューションをテストするサンドボックスを提供しており、物理的ツイン(PT)上のフィールドにおけるデータ収集とテストアルゴリズムの必要性を低減させる可能性がある。
DTシステムのデプロイにおける重要な課題は、DTにおける仮想制御の最適化、監視、分析が安全で信頼性の高いものであることを保証することである。
この課題に対処するため,本論文では,PTからDTで利用可能なデータ量と品質の制限に起因するDTにおけるモデル不確実性の定量化と説明を目的とした一般ベイズフレームワークを提案する。
提案フレームワークでは,マルチエージェント強化学習(marl)による制御,異常検出のためのpt監視,予測,データ収集最適化,反事実分析などのコアdt機能を実現するために,通信システムのベイズモデルを構築した。
提案手法の適用例を示すために,共通受信機に通知する複数のセンシングデバイスを包含するケーススタディシステムを具体的に検討する。
実験により,提案したベイズフレームワークの有効性を,標準頻繁なモデルベースソリューションと比較して検証した。
関連論文リスト
- EdgeFD: An Edge-Friendly Drift-Aware Fault Diagnosis System for
Industrial IoT [0.0]
我々は,産業用モノのインターネット(IIoT)における頻繁なデータドリフトによる課題を軽減するため,DAWC(Drift-Aware Weight Consolidation)を提案する。
DAWCは複数のデータドリフトシナリオを効率的に管理し、エッジデバイス上での一定のモデル微調整の必要性を最小限にする。
包括的診断・可視化プラットフォームも開発しました。
論文 参考訳(メタデータ) (2023-10-07T06:48:07Z) - Enhanced multi-fidelity modelling for digital twin and uncertainty
quantification [0.0]
データ駆動モデルは、リアルタイムのアップデートと予測を可能にするデジタルツインにおいて重要な役割を果たす。
利用可能なデータの忠実さと正確なセンサーデータの不足は、しばしば代理モデルの効率的な学習を妨げる。
本稿では,ロバストなマルチフィデリティ・サロゲートモデルの開発から始まる新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2023-06-26T05:58:17Z) - Causal Semantic Communication for Digital Twins: A Generalizable
Imitation Learning Approach [74.25870052841226]
デジタルツイン(DT)は、物理世界の仮想表現と通信(例えば6G)、コンピュータ、人工知能(AI)技術を活用して、多くの接続されたインテリジェンスサービスを実現する。
無線システムは、厳密な通信制約下での情報意思決定を容易にするために意味コミュニケーション(SC)のパラダイムを利用することができる。
DTベースの無線システムでは,因果意味通信(CSC)と呼ばれる新しいフレームワークが提案されている。
論文 参考訳(メタデータ) (2023-04-25T00:15:00Z) - Through-life Monitoring of Resource-constrained Systems and Fleets [0.0]
デジタルツイン(Digital Twin、DT)は、経済、社会的、商業的な価値を付加する決定を行うための情報を提供する物理システムのシミュレーションである。
リソース制約のあるシステムでは、オンボード学習やオフボードデータ転送といった課題のため、DTの更新は簡単ではない。
本稿では,システムヘルスモニタリングを目的とした資源制約付きシステムのデータ駆動型DTを更新するためのフレームワークを提案する。
論文 参考訳(メタデータ) (2023-01-03T09:26:18Z) - Digital Twin-Based Multiple Access Optimization and Monitoring via
Model-Driven Bayesian Learning [30.62844128870099]
デジタルツイン(DT)プラットフォームは、ソフトウェアベースのオープンな通信システムを制御および監視するための有望なパラダイムと見なされている。
この作業では、DTは通信システムのベイズモデルを構築し、コアDT機能を実現するために利用します。
本稿では,複数のセンサデバイスを含む簡易ケーススタディシステムへの提案手法の適用について検討する。
論文 参考訳(メタデータ) (2022-10-11T16:14:43Z) - 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) - Real-World Anomaly Detection by using Digital Twin Systems and
Weakly-Supervised Learning [3.0100975935933567]
本稿では, 産業環境における異常検出に対する弱い制御手法を提案する。
これらのアプローチでは、Digital Twinを使用して、機械の通常の動作をシミュレートするトレーニングデータセットを生成する。
提案手法の性能を,実世界のデータセットに応用した様々な最先端の異常検出アルゴリズムと比較した。
論文 参考訳(メタデータ) (2020-11-12T10:15:56Z) - 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) - SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier
Detection [63.253850875265115]
外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。
そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
論文 参考訳(メタデータ) (2020-03-11T00:22:50Z)
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。