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/2303.00028v7
- Date: Thu, 22 Aug 2024 16:39:34 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-23 20:17:08.503397
- 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: センサ配置問題は、相関現象を監視する際に発生する一般的な問題である。
本稿では,勾配降下法を用いて最適化可能な変分近似に基づくSP問題に対する新しい定式化を提案する。
- 参考スコア（独自算出の注目度）: 3.729242965449096
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The sensor placement problem is a common problem that arises when monitoring correlated phenomena, such as temperature, precipitation, and salinity. Existing approaches to this problem typically formulate it as the maximization of information metrics, such as mutual information~(MI), and use optimization methods such as greedy algorithms in discrete domains, and derivative-free optimization methods such as genetic algorithms in continuous domains. However, computing MI for sensor placement requires discretizing the environment, and its computation cost depends on the size of the discretized environment. These limitations restrict these approaches from scaling to large problems. We present a novel formulation to the SP problem based on variational approximation that can be optimized using gradient descent, allowing us to efficiently find solutions in continuous domains. We generalize our method to also handle discrete environments. Our experimental results on four real-world datasets demonstrate that our approach generates sensor placements consistently on par with or better than the prior state-of-the-art approaches in terms of both MI and reconstruction quality, all while being significantly faster. Our computationally efficient approach enables both large-scale sensor placement and fast robotic sensor placement for informative path planning algorithms.
- Abstract（参考訳）: センサ配置問題は、温度、降水量、塩分濃度などの相関現象を監視するときに発生する一般的な問題である。
既存のアプローチでは、相互情報~(MI)のような情報メトリクスの最大化としてこれを定式化し、離散領域におけるグリードアルゴリズムのような最適化手法や、連続領域における遺伝的アルゴリズムのようなデリバティブな最適化手法を用いるのが一般的である。
しかし、センサ配置のためのMI計算には環境の離散化が必要であり、その計算コストは離散化された環境の大きさに依存する。
これらの制限は、これらのアプローチをスケーリングから大きな問題に制限する。
本稿では, 勾配降下法を用いて最適化し, 連続領域における解を効率的に見つけることができる変分近似に基づくSP問題に対する新しい定式化を提案する。
我々は,離散環境にも対処する手法を一般化した。
実世界の4つのデータセットに対する実験結果から,MIと復元品質の両面において,従来の最先端手法と同等以上の精度でセンサ配置を生成することができた。
我々の計算効率の良いアプローチは、情報経路計画アルゴリズムのための大規模センサー配置と高速ロボットセンサ配置の両方を可能にする。
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。