論文の概要: A Preliminary Study on Pattern Reconstruction for Optimal Storage of Wearable Sensor Data

• arxiv url: http://arxiv.org/abs/2302.12972v1
• Date: Sat, 25 Feb 2023 03:33:26 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-28 19:46:22.333668
• Title: A Preliminary Study on Pattern Reconstruction for Optimal Storage of Wearable Sensor Data
• Title（参考訳）: ウェアラブルセンサデータの最適保存のためのパターン再構成に関する予備的検討
• Authors: Sazia Mahfuz and Farhana Zulkernine
• Abstract要約: 医療データを効率的に保存するための1つのアプローチは、関連する特徴と代表的特徴を抽出し、連続的なストリーミングデータではなく、それらの特徴のみを保存することである。 本稿では,人間の行動認識(HAR)センサデータに対する簡潔な特徴抽出と再構成のための複数のオートエンコーダについて予備的検討を行った。 我々のMulti-Layer Perceptron(MLP)ディープオートエンコーダは,他の3つの実装オートエンコーダと比較して90.18%のストレージ削減を達成した。
• 参考スコア（独自算出の注目度）: 3.04585143845864
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Efficient querying and retrieval of healthcare data is posing a critical challenge today with numerous connected devices continuously generating petabytes of images, text, and internet of things (IoT) sensor data. One approach to efficiently store the healthcare data is to extract the relevant and representative features and store only those features instead of the continuous streaming data. However, it raises a question as to the amount of information content we can retain from the data and if we can reconstruct the pseudo-original data when needed. By facilitating relevant and representative feature extraction, storage and reconstruction of near original pattern, we aim to address some of the challenges faced by the explosion of the streaming data. We present a preliminary study, where we explored multiple autoencoders for concise feature extraction and reconstruction for human activity recognition (HAR) sensor data. Our Multi-Layer Perceptron (MLP) deep autoencoder achieved a storage reduction of 90.18% compared to the three other implemented autoencoders namely convolutional autoencoder, Long-Short Term Memory (LSTM) autoencoder, and convolutional LSTM autoencoder which achieved storage reductions of 11.18%, 49.99%, and 72.35% respectively. Encoded features from the autoencoders have smaller size and dimensions which help to reduce the storage space. For higher dimensions of the representation, storage reduction was low. But retention of relevant information was high, which was validated by classification performed on the reconstructed data.
• Abstract（参考訳）: 医療データの効率的なクエリと検索は、多くの接続デバイスがペタバイト単位のイメージ、テキスト、モノのインターネット(IoT)センサーデータを継続的に生成することで、今日の重要な課題となっている。 医療データを効率的に保存するための1つのアプローチは、関連する特徴と代表的特徴を抽出し、継続的なストリーミングデータの代わりにそれらの特徴だけを保存することである。 しかし、データから保持できる情報コンテンツの量や、必要に応じて擬似オリジナルデータを再構築できるかどうかについて疑問を呈する。 類似した特徴抽出,記憶,復元を容易にすることで,ストリーミングデータの爆発によって直面する課題を解決することを目的とする。 本稿では,人間行動認識(har)センサデータの簡潔な特徴抽出と再構成のためのマルチオートエンコーダについて検討した。 多層パーセプトロン (mlp) 深層オートエンコーダは, 畳み込みオートエンコーダ, 長短項メモリ (lstm) オートエンコーダ, 畳み込みlstmオートエンコーダの3つの実装オートエンコーダと比較して, それぞれ11.18%, 49.99%, 72.35%のストレージ削減を達成した。 オートエンコーダのエンコードされた機能はサイズと寸法が小さく、ストレージスペースの削減に役立ちます。 高次元の表現では、ストレージの削減は低かった。 しかし, 関連情報の保持は高く, 再構成データに基づく分類によって検証された。

関連論文リスト

• An Automated Data Mining Framework Using Autoencoders for Feature Extraction and Dimensionality Reduction [10.358417199718462]
  本研究では,自動エンコーダに基づく自動データマイニングフレームワークを提案する。 符号化復号構造により、オートエンコーダはデータの電位特性を捕捉し、ノイズの低減と異常検出を実現する。 将来的には,ディープラーニングとビッグデータ技術の進歩に伴い,複雑なデータ処理やリアルタイムデータ解析,知的意思決定といった分野において,GAN(Generative Adversarial Network)やグラフニューラルネットワーク(Graph Neural Network,GNN)と組み合わせたオートエンコーダ方式が広く使われることが期待される。
  論文  参考訳（メタデータ） (2024-12-03T07:04:10Z)
• Efficient Compression of Sparse Accelerator Data Using Implicit Neural Representations and Importance Sampling [7.838980097597047]
  核物理学と高エネルギー物理学における大規模粒子衝突は、異常な速度でデータを生成する。 データ学習と圧縮のための暗黙的ニューラル表現を用いた新しい手法を提案する。 また,ネットワークトレーニングプロセスの高速化のための重要サンプリング手法も導入する。
  論文  参考訳（メタデータ） (2024-12-02T17:50:49Z)
• Efficient and accurate neural field reconstruction using resistive memory [52.68088466453264]
  デジタルコンピュータにおける従来の信号再構成手法は、ソフトウェアとハードウェアの両方の課題に直面している。 本稿では,スパース入力からの信号再構成のためのソフトウェア・ハードウェア協調最適化を用いた体系的アプローチを提案する。 この研究は、AI駆動の信号復元技術を進歩させ、将来の効率的で堅牢な医療AIと3Dビジョンアプリケーションへの道を開く。
  論文  参考訳（メタデータ） (2024-04-15T09:33:09Z)
• Convolutional variational autoencoders for secure lossy image compression in remote sensing [47.75904906342974]
  本研究では,畳み込み変分オートエンコーダ(CVAE)に基づく画像圧縮について検討する。 CVAEは、JPEG2000のような従来の圧縮手法を圧縮ベンチマークデータセットのかなりのマージンで上回ることが示されている。
  論文  参考訳（メタデータ） (2024-04-03T15:17:29Z)
• Vehicle Detection and Classification without Residual Calculation: Accelerating HEVC Image Decoding with Random Perturbation Injection [0.0]
  本研究では,HEVCビットストリームからの画像を再構成するランダム摂動に基づく圧縮領域法を提案する。 従来の完全復号化手法と比較して,復元速度が大幅に向上したことを示す。 検出精度は画素領域法に匹敵する99.9%,分類精度96.84%,画素領域法に匹敵する0.98%であった。
  論文  参考訳（メタデータ） (2023-05-14T22:04:00Z)
• Memory Replay with Data Compression for Continual Learning [80.95444077825852]
  古いトレーニングサンプルの記憶コストを低減するため,データ圧縮によるメモリリプレイを提案する。 我々はこれを、クラスインクリメンタル学習のいくつかのベンチマークと、自律運転のためのオブジェクト検出の現実的なシナリオにおいて、広範囲に検証する。
  論文  参考訳（メタデータ） (2022-02-14T10:26:23Z)
• Reducing Redundancy in the Bottleneck Representation of the Autoencoders [98.78384185493624]
  オートエンコーダは教師なしニューラルネットワークの一種であり、様々なタスクを解くのに使用できる。 本稿では,ボトルネック表現における特徴冗長性を明示的に罰する手法を提案する。 我々は,3つの異なるデータセットを用いた次元削減,MNISTデータセットを用いた画像圧縮,ファッションMNISTを用いた画像デノナイズという,さまざまなタスクにまたがってアプローチを検証した。
  論文  参考訳（メタデータ） (2022-02-09T18:48:02Z)
• COIN++: Data Agnostic Neural Compression [55.27113889737545]
  COIN++は、幅広いデータモダリティをシームレスに扱うニューラルネットワーク圧縮フレームワークである。 様々なデータモダリティを圧縮することで,本手法の有効性を示す。
  論文  参考訳（メタデータ） (2022-01-30T20:12:04Z)
• Deep DNA Storage: Scalable and Robust DNA Storage via Coding Theory and Deep Learning [49.3231734733112]
  シミュレーションデータに基づいてトレーニングされたDeep Neural Networks(DNN)、Product(TP)ベースのエラー修正コード(ECC)、安全マージンを1つのコヒーレントパイプラインに組み合わせたモジュラーで総合的なアプローチを示す。 我々の研究は, 最大で x3200 の速度向上, 40%の精度向上により, 現在の指導的ソリューションの改善を実現し, 高雑音下では1ベースあたり1.6ビットのコードレートを提供する。
  論文  参考訳（メタデータ） (2021-08-31T18:21:20Z)

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。