論文の概要: Efficient Sensor Placement from Regression with Sparse Gaussian
Processes in Continuous and Discrete Spaces
- arxiv url: http://arxiv.org/abs/2303.00028v1
- Date: Tue, 28 Feb 2023 19:10:12 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-02 17:04:56.762931
- Title: Efficient Sensor Placement from Regression with Sparse Gaussian
Processes in Continuous and Discrete Spaces
- Title(参考訳): 連続および離散空間における疎ガウス過程による回帰からの効率的なセンサ配置
- Authors: Kalvik Jakkala, Srinivas Akella
- Abstract要約: 本研究では,温度などの空間的(時間的に)相関現象を監視するセンサ問題に対処するために,スパースガウス過程(SGP)に基づく新しいアプローチを提案する。
SGPは環境の離散化を回避し、計算コストを3乗から線形に削減する。
提案手法は, 従来手法と同等の解を生成すると同時に, より高速であることを示す。
- 参考スコア(独自算出の注目度): 4.111899441919164
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present a novel approach based on sparse Gaussian processes (SGPs) to
address the sensor placement problem for monitoring spatially (or
spatiotemporally) correlated phenomena such as temperature. Existing Gaussian
process (GP) based sensor placement approaches use GPs to model the phenomena
and subsequently optimize the sensor locations in a discretized representation
of the environment. In our approach, we fit an SGP to randomly sampled
unlabeled locations in the environment and show that the learned inducing
points of the SGP inherently solve the sensor placement problem in continuous
spaces. Using SGPs avoids discretizing the environment and reduces the
computation cost from cubic to linear complexity. When restricted to a
candidate set of sensor placement locations, we can use greedy sequential
selection algorithms on the SGP's optimization bound to find good solutions. We
also present an approach to efficiently map our continuous space solutions to
discrete solution spaces using the assignment problem, which gives us discrete
sensor placements optimized in unison. Moreover, we generalize our approach to
model non-point sensors with an arbitrary field-of-view (FoV) shape using an
efficient transformation technique. Finally, we leverage theoretical results
from the SGP literature to bound the number of required sensors and the quality
of the solution placements. Our experimental results on two real-world datasets
show that our approaches generate solutions consistently on par with the prior
state-of-the-art approach while being substantially faster. We also demonstrate
our solution placements for non-point FoV sensors and a spatiotemporally
correlated phenomenon on a scale that was previously infeasible.
- Abstract(参考訳): 本研究では,空間的(あるいは時空間的に)相関現象を監視するセンサ配置問題に対処するために,スパースガウス過程(SGP)に基づく新しいアプローチを提案する。
既存のガウス過程(GP)に基づくセンサ配置手法は、GPを用いて現象をモデル化し、その後環境の離散化された表現におけるセンサ位置を最適化する。
提案手法では,SGPをランダムにサンプル化した環境に適合させ,学習したSGPの誘導点が連続空間におけるセンサ配置問題を本質的に解くことを示す。
SGPは環境の離散化を回避し、計算コストを3乗から線形に削減する。
センサ配置の候補集合に制限された場合、SGPの最適化で厳密な逐次選択アルゴリズムを用いて良い解を求めることができる。
また、割当問題を用いて、連続空間の解を離散解空間に効率的にマッピングし、一斉に最適化された離散センサ配置を与える手法を提案する。
さらに,効率の良い変換手法を用いて任意の視野形状(fov)の非点センサをモデル化する手法を一般化した。
最後に,sgp文献から得られた理論的結果を活用して,必要なセンサ数と解配置の質を限定した。
実世界の2つのデータセットに対する実験結果から,我々のアプローチは従来と同等のソリューションを生成できる一方で,極めて高速であることがわかった。
また,これまで実現できなかったスケールで,非点fovセンサと時空間相関現象の解配置を実証した。
関連論文リスト
- Bagged Regularized $k$-Distances for Anomaly Detection [9.899763598214122]
BRDAD (Bagged regularized $k$-distances for Anomaly Detection) と呼ばれる距離に基づく新しいアルゴリズムを提案する。
我々のBRDADアルゴリズムは、重み付けされた密度推定のための$k$-distances(BWDDE)の実証的リスクの有限標本境界を最小化して重みを選択する。
理論的には,我々のアルゴリズムに対するAUCの高速収束率を確立し,バッグング手法が計算複雑性を著しく減少させることを示す。
論文 参考訳(メタデータ) (2023-12-02T07:00:46Z) - Efficient and robust Sensor Placement in Complex Environments [1.1421942894219899]
本稿では,複雑な環境下での効率的な監視やコミュニケーションの課題に対処する。
目的を達成するための欲求的アルゴリズムを提案する。
深層学習技術は目的関数の評価を加速するために用いられる。
論文 参考訳(メタデータ) (2023-09-15T17:10:19Z) - Neural Gromov-Wasserstein Optimal Transport [82.05269165407427]
本稿では,Gromov-Wasserstein (GW) Optimal Transport (OT) 問題を内部積コストで解くためのスケーラブルなニューラルネットワーク手法を提案する。
提案手法では,ニューラルネットワークとミニバッチ最適化を用いて,既存の手法の限界を克服する。
論文 参考訳(メタデータ) (2023-03-10T15:21:12Z) - Environmental Sensor Placement with Convolutional Gaussian Neural
Processes [65.13973319334625]
センサーは、特に南極のような遠隔地において、その測定の情報量が最大になるように配置することは困難である。
確率論的機械学習モデルは、予測の不確実性を最大限に低減するサイトを見つけることによって、情報的センサ配置を提案することができる。
本稿では,これらの問題に対処するために,畳み込み型ガウスニューラルプロセス(ConvGNP)を提案する。
論文 参考訳(メタデータ) (2022-11-18T17:25:14Z) - Task-Oriented Sensing, Computation, and Communication Integration for
Multi-Device Edge AI [108.08079323459822]
本稿では,AIモデルの分割推論と統合センシング通信(ISAC)を併用した,新しいマルチインテリジェントエッジ人工レイテンシ(AI)システムについて検討する。
推定精度は近似的だが抽出可能な計量、すなわち判別利得を用いて測定する。
論文 参考訳(メタデータ) (2022-07-03T06:57:07Z) - 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) - Learning-based Localizability Estimation for Robust LiDAR Localization [13.298113481670038]
LiDARベースのローカライゼーションとマッピングは、多くの現代のロボットシステムにおける中核的なコンポーネントの1つである。
本研究では,ロボット動作中の(非)局所性を検出するニューラルネットワークに基づく推定手法を提案する。
論文 参考訳(メタデータ) (2022-03-11T01:12:00Z) - Federated Minimax Optimization: Improved Convergence Analyses and
Algorithms [32.062312674333775]
我々は、最小限の最適化を考慮し、GANのようなモダンな機械学習アプリケーションの多くを普及させています。
我々は,既存の文献における収束通信の保証を改善する,新しい,より厳密な解析アルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-03-09T16:21:31Z) - Super-resolution GANs of randomly-seeded fields [68.8204255655161]
ランダムスパースセンサからフィールド量の推定を行うための,GAN(Super- resolution Generative Adversarial Network)フレームワークを提案する。
このアルゴリズムはランダムサンプリングを利用して、高解像度の基底分布の不完全ビューを提供する。
提案手法は, 流体流動シミュレーション, 海洋表面温度分布測定, 粒子画像速度測定データの合成データベースを用いて検証した。
論文 参考訳(メタデータ) (2022-02-23T18:57:53Z) - An automatic differentiation system for the age of differential privacy [65.35244647521989]
Tritiumは、微分プライベート(DP)機械学習(ML)のための自動微分ベース感度分析フレームワークである
我々は、微分プライベート(DP)機械学習(ML)のための自動微分に基づく感度分析フレームワークTritiumを紹介する。
論文 参考訳(メタデータ) (2021-09-22T08:07:42Z) - Distributed Optimization, Averaging via ADMM, and Network Topology [0.0]
センサローカライゼーションの現実問題において,ネットワークトポロジと異なるアルゴリズムの収束率の関係について検討する。
また、ADMMと持ち上げマルコフ連鎖の間の興味深い関係を示すとともに、その収束を明示的に特徴づける。
論文 参考訳(メタデータ) (2020-09-05T21:44:39Z)
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。