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
- 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。