論文の概要: Efficient Partitioning Method of Large-Scale Public Safety
Spatio-Temporal Data based on Information Loss Constraints
- arxiv url: http://arxiv.org/abs/2306.12857v2
- Date: Fri, 30 Jun 2023 02:16:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-03 14:52:39.050531
- Title: Efficient Partitioning Method of Large-Scale Public Safety
Spatio-Temporal Data based on Information Loss Constraints
- Title（参考訳）: 情報損失制約に基づく大規模公共安全時空間データの効率的な分割方法
- Authors: Jie Gao, Yawen Li, Zhe Xue, and Zeli Guan
- Abstract要約: 本稿では,情報損失制約(IFL-LSTP)に基づく大規模公共安全データ-時間分割手法を提案する。
IFL-LSTPモデルは、ストレージの精度を維持しながらデータのスケールを大幅に削減し、効率を向上させる。
- 参考スコア（独自算出の注目度）: 7.194747454324381
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The storage, management, and application of massive spatio-temporal data are
widely applied in various practical scenarios, including public safety.
However, due to the unique spatio-temporal distribution characteristics of
re-al-world data, most existing methods have limitations in terms of the
spatio-temporal proximity of data and load balancing in distributed storage.
There-fore, this paper proposes an efficient partitioning method of large-scale
public safety spatio-temporal data based on information loss constraints
(IFL-LSTP). The IFL-LSTP model specifically targets large-scale spatio-temporal
point da-ta by combining the spatio-temporal partitioning module (STPM) with
the graph partitioning module (GPM). This approach can significantly reduce the
scale of data while maintaining the model's accuracy, in order to improve the
partitioning efficiency. It can also ensure the load balancing of distributed
storage while maintaining spatio-temporal proximity of the data partitioning
results. This method provides a new solution for distributed storage of
mas-sive spatio-temporal data. The experimental results on multiple real-world
da-tasets demonstrate the effectiveness and superiority of IFL-LSTP.
- Abstract（参考訳）: 大規模な時空間データの保管、管理、適用は、公共の安全を含む様々な実践シナリオに広く適用されている。
しかし,re-al-worldデータの時空間分布特性から,既存の手法では,データの時空間的近接や分散ストレージにおける負荷分散が制限されている。
本稿では,情報損失制約(IFL-LSTP)に基づく大規模公共安全時空間データの効率的な分割手法を提案する。
IFL-LSTPモデルは、時空間分割モジュール(STPM)とグラフ分割モジュール(GPM)を組み合わせた大規模時空間点da-taを特にターゲットとしている。
このアプローチは、パーティショニング効率を改善するために、モデルの精度を維持しながらデータのスケールを大幅に削減することができる。
また、データパーティショニング結果の時空間的近接を維持しながら、分散ストレージのロードバランシングを確保することもできる。
本手法は,仮設時空間データの分散ストレージのための新しいソリューションを提供する。
複数の実世界のda-tasetに対する実験結果は、IFL-LSTPの有効性と優位性を示している。
関連論文リスト
- Cross Space and Time: A Spatio-Temporal Unitized Model for Traffic Flow Forecasting [16.782154479264126]
時間的要因間の複雑な相互作用により、バックボーン・時間的トラフィックフローを予測することが課題となる。
既存のアプローチでは、これらの次元を分離し、重要な相互依存を無視している。
本稿では,空間的および時間的依存関係の両方をキャプチャする統合フレームワークであるSanonymous-Temporal Unitized Unitized Cell (ASTUC)を紹介する。
論文 参考訳（メタデータ） (2024-11-14T07:34:31Z) - Ferret: Federated Full-Parameter Tuning at Scale for Large Language Models [54.02863371927658]
大規模言語モデル(LLM)は多くの現実世界のアプリケーションで必須となっている。
フェレットは、ランダム性を共有する最初の一階法である。
高い計算効率、通信オーバーヘッドの低減、高速収束を実現している。
論文 参考訳（メタデータ） (2024-09-10T07:28:13Z) - Efficient $k$-NN Search in IoT Data: Overlap Optimization in Tree-Based Indexing Structures [0.6990493129893112]
IoT(Internet of Things)における相互接続デバイスの普及は、データの指数的な増加につながった。
この異種データの効率的な検索には、効果的な組織のための堅牢な索引付け機構が必要である。
データ空間分割の重複を定量化し、戦略的に低減する3つの革新的手法を提案する。
論文 参考訳（メタデータ） (2024-08-28T16:16:55Z) - A federated large language model for long-term time series forecasting [4.696083734269233]
長距離時系列予測に適した連合型大言語モデル(LLM)であるFedTimeを提案する。
エッジデバイスやクライアントを別のクラスタに分割するために、K平均クラスタリングを採用しています。
また、チャンネルの独立性やパッチの適用により、ローカルなセマンティック情報をよりよく保存する。
論文 参考訳（メタデータ） (2024-07-30T02:38:27Z) - PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
私たちはaを提案します。
フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。
我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
論文 参考訳（メタデータ） (2024-06-04T13:51:08Z) - F$^3$Loc: Fusion and Filtering for Floorplan Localization [63.28504055661646]
本研究では,フロアプラン内での自己ローカライズのための効率的なデータ駆動型ソリューションを提案する。
本手法では,地図や位置情報ごとのリトレーニングや,関心領域の画像の大規模なデータベースの要求は不要である。
論文 参考訳（メタデータ） (2024-03-05T23:32:26Z) - Spatio-temporal Diffusion Point Processes [23.74522530140201]
パティオ・テンポラル・ポイント・プロセス(英: patio-temporal point process、STPP)は、時間と空間を伴うイベントの集合である。
結合分布のモデル化に失敗すると、与えられた事象の過去の時間的相互作用を特徴づける能力は限られる。
複雑な時空間の関節分布を学習する新しいパラメータ化フレームワークを提案する。
我々のフレームワークは最先端のベースラインを著しく上回り、平均50%以上の改善がなされています。
論文 参考訳（メタデータ） (2023-05-21T08:53:00Z) - Dynamic Scheduling for Federated Edge Learning with Streaming Data [56.91063444859008]
我々は,長期的エネルギー制約のある分散エッジデバイスにおいて,トレーニングデータを時間とともにランダムに生成するフェデレーションエッジ学習(FEEL)システムを検討する。
限られた通信リソースとレイテンシ要件のため、各イテレーションでローカルトレーニングプロセスに参加するのはデバイスのサブセットのみである。
論文 参考訳（メタデータ） (2023-05-02T07:41:16Z) - FedLAP-DP: Federated Learning by Sharing Differentially Private Loss Approximations [53.268801169075836]
我々は,フェデレーション学習のための新しいプライバシ保護手法であるFedLAP-DPを提案する。
公式なプライバシー分析は、FedLAP-DPが典型的な勾配共有方式と同じプライバシーコストを発生させることを示している。
提案手法は, 通常の勾配共有法に比べて高速な収束速度を示す。
論文 参考訳（メタデータ） (2023-02-02T12:56:46Z) - Distributed Dynamic Safe Screening Algorithms for Sparse Regularization [73.85961005970222]
本稿では,分散動的安全スクリーニング(DDSS)手法を提案し,共有メモリアーキテクチャと分散メモリアーキテクチャにそれぞれ適用する。
提案手法は, 線形収束率を低次複雑度で達成し, 有限個の繰り返しにおいてほとんどすべての不活性な特徴をほぼ確実に除去できることを示す。
論文 参考訳（メタデータ） (2022-04-23T02:45:55Z) - ParK: Sound and Efficient Kernel Ridge Regression by Feature Space
Partitions [34.576469570537995]
本稿では,カーネルリッジ回帰のための大規模解法であるParKを紹介する。
提案手法では,分割とランダムなプロジェクションと繰り返し最適化を組み合わせることで,空間と時間の複雑さを低減できる。
論文 参考訳（メタデータ） (2021-06-23T08:24:36Z)
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。