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/2303.00028v2
- Date: Wed, 21 Jun 2023 20:04:36 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-23 17:32:49.377436
- 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: 本稿では,空間的モニタリングのためのセンサ問題に対処するため,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。
提案手法では,SGPを既知のカーネル関数パラメータに適合させて,環境中の未ラベルの場所をランダムにサンプリングする。
本研究では,SGPの学習点が連続空間におけるセンサ問題を本質的に解いていることを示す。
- 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 and precipitation.
Existing Gaussian process (GP) based sensor placement approaches use GPs with
known kernel function parameters to model a phenomenon and subsequently
optimize the sensor locations in a discretized representation of the
environment. In our approach, we fit an SGP with known kernel function
parameters 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 sensors with non-point field-of-view and
integrated observations by leveraging the inherent properties of GPs and SGPs.
Our experimental results on three real-world datasets show that our approaches
generate solution placements that result in reconstruction quality that is
consistently on par or better than the prior state-of-the-art approach while
being significantly faster. Our computationally efficient approaches will
enable both large-scale sensor placement, and fast sensor placement for
informative path planning problems.
- Abstract（参考訳）: 本研究では,空間的(あるいは時空間的に)相関する温度や降水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アプローチでは、既知のカーネル関数パラメータを持つGPを用いて現象をモデル化し、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を既知のカーネル関数パラメータに適合させて環境中のラベルのない場所をランダムにサンプリングし,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,GPとSGPの固有特性を活用して,非視点場を用いたモデルセンサへのアプローチを一般化する。
実世界の3つのデータセットに対する実験結果から,我々の手法は,従来の最先端の手法に比べて常に同等かそれ以上の再現品質が得られるようなソリューション配置を生成する。
提案手法は, 大規模センサ配置と高速センサ配置を両立させることにより, 情報経路計画問題に対して有効である。
関連論文リスト
- Adaptive Consensus Gradients Aggregation for Scaled Distributed Training [6.234802839923543]
サブスペース最適化のレンズを用いて分散勾配凝集過程を解析する。
本手法は,複数のタスクのユビキタス平均化に対して,通信量と計算量の両方において極めて効率的でありながら,性能の向上を実証する。
論文 参考訳（メタデータ） (2024-11-06T08:16:39Z) - 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) - Application of deep and reinforcement learning to boundary control
problems [0.6906005491572401]
目的は、囲まれたドメインが所望の状態値に達するように、ドメイン境界に対する最適な値を見つけることである。
本研究は,ディープラーニングと強化学習による境界制御問題の解決の可能性を探る。
論文 参考訳（メタデータ） (2023-10-21T10:56:32Z) - Memetic algorithms for Spatial Partitioning problems [26.73720392872553]
本稿では,実世界のデータセットにおける空間分割という,特定のタイプのSOPに焦点を当てる。
我々は,Swarm-based spatial memetic algorithm (SPATIAL) と呼ばれる単純だが効果的なアルゴリズムを提案し,それを校内限定問題(restricting problem)で検証した。
論文 参考訳（メタデータ） (2022-08-04T20:05:46Z) - 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) - 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) - Optimization on manifolds: A symplectic approach [127.54402681305629]
本稿では、最適化問題を解くための一般的な枠組みとして、ディラックの制約付きハミルトン系理論の散逸拡張を提案する。
我々の(加速された)アルゴリズムのクラスは単純で効率的なだけでなく、幅広い文脈にも適用できる。
論文 参考訳（メタデータ） (2021-07-23T13:43:34Z) - 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) - Global Optimization of Gaussian processes [52.77024349608834]
少数のデータポイントで学習したガウス過程を訓練した空間定式化を提案する。
このアプローチはまた、より小さく、計算的にもより安価なサブソルバを低いバウンディングに導く。
提案手法の順序の順序による時間収束を,総じて低減する。
論文 参考訳（メタデータ） (2020-05-21T20:59:11Z) - Second-Order Guarantees in Centralized, Federated and Decentralized
Nonconvex Optimization [64.26238893241322]
単純なアルゴリズムは、多くの文脈において優れた経験的結果をもたらすことが示されている。
いくつかの研究は、非最適化問題を研究するための厳密な分析的正当化を追求している。
これらの分析における重要な洞察は、摂動が局所的な降下アルゴリズムを許容する上で重要な役割を担っていることである。
論文 参考訳（メタデータ） (2020-03-31T16:54:22Z)
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。