論文の概要: A distributed neural network architecture for dynamic sensor selection
with application to bandwidth-constrained body-sensor networks
- arxiv url: http://arxiv.org/abs/2308.08379v1
- Date: Wed, 16 Aug 2023 14:04:50 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-17 13:16:03.338864
- Title: A distributed neural network architecture for dynamic sensor selection
with application to bandwidth-constrained body-sensor networks
- Title(参考訳): 動的センサ選択のための分散ニューラルネットワークアーキテクチャと帯域制限体-センサネットワークへの応用
- Authors: Thomas Strypsteen and Alexander Bertrand
- Abstract要約: ディープニューラルネットワーク(DNN)のための動的センサ選択手法を提案する。
データセット全体の固定選択ではなく、個々の入力サンプルに対して最適なセンササブセット選択を導出することができる。
無線センサネットワーク(WSN)の寿命を、各ノードの送信頻度に制約を加えることで、この動的選択をいかに利用できるかを示す。
- 参考スコア(独自算出の注目度): 53.022158485867536
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose a dynamic sensor selection approach for deep neural networks
(DNNs), which is able to derive an optimal sensor subset selection for each
specific input sample instead of a fixed selection for the entire dataset. This
dynamic selection is jointly learned with the task model in an end-to-end way,
using the Gumbel-Softmax trick to allow the discrete decisions to be learned
through standard backpropagation. We then show how we can use this dynamic
selection to increase the lifetime of a wireless sensor network (WSN) by
imposing constraints on how often each node is allowed to transmit. We further
improve performance by including a dynamic spatial filter that makes the
task-DNN more robust against the fact that it now needs to be able to handle a
multitude of possible node subsets. Finally, we explain how the selection of
the optimal channels can be distributed across the different nodes in a WSN. We
validate this method on a use case in the context of body-sensor networks,
where we use real electroencephalography (EEG) sensor data to emulate an EEG
sensor network. We analyze the resulting trade-offs between transmission load
and task accuracy.
- Abstract(参考訳): 本稿では,データセット全体に対する固定的な選択ではなく,特定の入力サンプル毎に最適なセンササブセット選択を導出可能な,ディープニューラルネットワーク(dnn)のための動的センサ選択手法を提案する。
この動的選択は、Gumbel-Softmaxトリックを使ってタスクモデルとエンドツーエンドで共同で学習し、標準的なバックプロパゲーションを通じて決定的な決定を学習できるようにする。
次に、各ノードの送信頻度に制約を課すことで、この動的選択を無線センサネットワーク(wsn)の寿命を増加させる方法を示す。
我々はさらに,タスク-DNNが複数のノードサブセットを扱う必要があるという事実に対して,より堅牢な動的空間フィルタを組み込むことで,パフォーマンスを向上する。
最後に、wsnにおける最適なチャネルの選択がどのようにして異なるノードに分散できるかを説明する。
本手法は,脳波センサネットワークをエミュレートするために,eeg(real electroencephalography)センサデータを用いた体感センサネットワークのユースケースで検証する。
送信負荷とタスク精度のトレードオフを解析した。
関連論文リスト
- Resource-Efficient Sensor Fusion via System-Wide Dynamic Gated Neural Networks [16.0018681576301]
我々はQuantile-Constrained Inference (QIC)と呼ばれる新しいアルゴリズム戦略を提案する。
QICは、上記のシステムのすべての側面について、共同で高品質で迅速な決定を行います。
結果,QICは最適値と一致し,選択肢を80%以上上回っていることを確認した。
論文 参考訳(メタデータ) (2024-10-22T06:12:04Z) - Unveiling the Power of Sparse Neural Networks for Feature Selection [60.50319755984697]
スパースニューラルネットワーク(SNN)は、効率的な特徴選択のための強力なツールとして登場した。
動的スパーストレーニング(DST)アルゴリズムで訓練されたSNNは、平均して50%以上のメモリと55%以上のFLOPを削減できることを示す。
以上の結果から,DSTアルゴリズムで訓練したSNNによる特徴選択は,平均して50ドル以上のメモリと55%のFLOPを削減できることがわかった。
論文 参考訳(メタデータ) (2024-08-08T16:48:33Z) - Sensor Selection via GFlowNets: A Deep Generative Modeling Framework to Navigate Combinatorial Complexity [3.255315368019651]
この作業は、一般的なQuality-of-Serviceメトリックを最適化するために、$m$のセットから$k$のセンサー要素を選択するという課題に対処する。
すべての$binommk$のセンサーサブセットを評価することは現実的ではなく、凸緩和、欲求アルゴリズム、教師付き学習アプローチを使った事前ソリューションにつながる。
論文 参考訳(メタデータ) (2024-07-29T06:56:57Z) - Conditional Gumbel-Softmax for constrained feature selection with application to node selection in wireless sensor networks [48.536059764418454]
本研究では,与えられたタスクに対して最適なサブセットをエンドツーエンドに学習する手法として,Conditional Gumbel-Softmaxを導入する。
本稿では,無線センサネットワークを構成するタスク最適ノードの選択に,このアプローチをどのように利用できるかを示す。
論文 参考訳(メタデータ) (2024-06-03T09:55:56Z) - Physical-Layer Semantic-Aware Network for Zero-Shot Wireless Sensing [74.12670841657038]
デバイスレスワイヤレスセンシングは、幅広い没入型人間機械対話型アプリケーションをサポートする可能性から、近年、大きな関心を集めている。
無線信号におけるデータの均一性と分散センシングにおけるデータプライバシ規制は、広域ネットワークシステムにおける無線センシングの広範な適用を妨げる主要な課題であると考えられている。
そこで本研究では,ラベル付きデータを使わずに,一箇所ないし限られた箇所で構築されたモデルを直接他の場所に転送できるゼロショット無線センシングソリューションを提案する。
論文 参考訳(メタデータ) (2023-12-08T13:50:30Z) - Bandwidth-efficient distributed neural network architectures with
application to body sensor networks [73.02174868813475]
本稿では,分散ニューラルネットワークアーキテクチャを設計するための概念設計手法について述べる。
提案手法により,損失を最小限に抑えつつ,最大20倍の帯域幅削減が可能となることを示す。
本稿では,ウェアラブル脳-コンピュータインタフェースに焦点をあてるが,他のセンサネットワークアプリケーションにも適用できる。
論文 参考訳(メタデータ) (2022-10-14T12:35:32Z) - Learning Autonomy in Management of Wireless Random Networks [102.02142856863563]
本稿では,任意の数のランダム接続ノードを持つ無線ネットワークにおいて,分散最適化タスクに取り組む機械学習戦略を提案する。
我々は,ネットワークトポロジとは無関係に,前方および後方に計算を行う分散メッセージパスニューラルネットワーク(DMPNN)と呼ばれる,柔軟な深層ニューラルネットワーク形式を開発した。
論文 参考訳(メタデータ) (2021-06-15T09:03:28Z) - Sensor selection on graphs via data-driven node sub-sampling in network
time series [0.0]
本稿では,時系列ネットワーク上でセンサの最適なサンプリングセットを選択するという問題に対処する。
我々は,一定数のセンサをオフにするか,あるいは等価にノードのサンプリングセットを選択するために,データ駆動の様々な戦略を提案し,比較する。
提案手法の性能を明らかにするため, 異なる都市における自転車共有ネットワークの実データ解析に関する数値実験を行った。
論文 参考訳(メタデータ) (2020-04-24T15:51:57Z)
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。