論文の概要: Intelligent Communication Planning for Constrained Environmental IoT Sensing with Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2308.10124v1
• Date: Sat, 19 Aug 2023 22:59:09 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-22 17:37:27.018286
• Title: Intelligent Communication Planning for Constrained Environmental IoT Sensing with Reinforcement Learning
• Title（参考訳）: 強化学習による環境IoTセンシングのためのインテリジェント通信計画
• Authors: Yi Hu, Jinhang Zuo, Bob Iannucci and Carlee Joe-Wong
• Abstract要約: モノのインターネット(IoT)デバイスは、しばしば電力制限を受け、帯域幅が限られている無線通信方式を利用する。 環境状態を追跡するIoTセンサの通信計画問題を定式化する。 本稿では,センサごとの最適な通信ポリシーを見つけるために,マルチエージェント強化学習(MARL)手法を提案する。
• 参考スコア（独自算出の注目度）: 19.715387333728152
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Internet of Things (IoT) technologies have enabled numerous data-driven mobile applications and have the potential to significantly improve environmental monitoring and hazard warnings through the deployment of a network of IoT sensors. However, these IoT devices are often power-constrained and utilize wireless communication schemes with limited bandwidth. Such power constraints limit the amount of information each device can share across the network, while bandwidth limitations hinder sensors' coordination of their transmissions. In this work, we formulate the communication planning problem of IoT sensors that track the state of the environment. We seek to optimize sensors' decisions in collecting environmental data under stringent resource constraints. We propose a multi-agent reinforcement learning (MARL) method to find the optimal communication policies for each sensor that maximize the tracking accuracy subject to the power and bandwidth limitations. MARL learns and exploits the spatial-temporal correlation of the environmental data at each sensor's location to reduce the redundant reports from the sensors. Experiments on wildfire spread with LoRA wireless network simulators show that our MARL method can learn to balance the need to collect enough data to predict wildfire spread with unknown bandwidth limitations.
• Abstract（参考訳）: IoT(Internet of Things)テクノロジは、多くのデータ駆動型モバイルアプリケーションを可能にし、IoTセンサのネットワークを配置することで、環境監視と危険警告を大幅に改善する可能性がある。 しかし、これらのIoTデバイスは電力制約があり、帯域幅が限られている無線通信方式を利用することが多い。 このような電力制限は、各デバイスがネットワークで共有できる情報量を制限するが、帯域制限はセンサの伝送の調整を妨げる。 本研究では,環境状態を追跡するIoTセンサの通信計画問題を定式化する。 厳しい資源制約下での環境データ収集におけるセンサの判断の最適化を図る。 本稿では,マルチエージェント強化学習 (marl) 法を提案し,電力と帯域幅の制限による追従精度を最大化するセンサ毎の最適な通信方針を求める。 marlは、各センサの場所における環境データの空間的-時間的相関を学習し、センサからの冗長なレポートを減らす。 lora無線ネットワークシミュレータを用いたワイルドファイアスプレッド実験により,本手法は帯域幅の制限のないワイルドファイアスプレッドを予測できる十分なデータ収集の必要性のバランスをとることができることを示した。

関連論文リスト

• Efficient Unsupervised Domain Adaptation Regression for Spatial-Temporal Air Quality Sensor Fusion [6.963971634605796]
  本稿では,グラフ構造データに対する回帰処理に適した新しいunsupervised domain adapt(UDA)手法を提案する。 センサ間の関係をモデル化するために、時空間グラフニューラルネットワーク(STGNN)を組み込んだ。 弊社のアプローチでは、安価なIoTセンサが高価な参照センサから校正パラメータを学習できる。
  論文  参考訳（メタデータ） (2024-11-11T12:20:57Z)
• ViT LoS V2X: Vision Transformers for Environment-aware LoS Blockage Prediction for 6G Vehicular Networks [20.953587995374168]
  我々は、畳み込みニューラルネットワーク(CNN)とカスタマイズされた視覚変換器(ViT)を組み合わせたディープラーニングベースのアプローチを提案する。 提案手法は,時系列マルチモーダルデータから特徴を抽出するために,CNNとViTの相乗的強みを利用する。 その結果,提案手法は精度が高く,最先端のソリューションよりも優れ,95%以上の精度で予測できることがわかった。
  論文  参考訳（メタデータ） (2024-06-27T01:38:09Z)
• A Plug-in Tiny AI Module for Intelligent and Selective Sensor Data Transmission [10.174575604689391]
  本稿では、インテリジェントなデータ伝送機能を備えたセンシングフレームワークを実現するための新しいセンシングモジュールを提案する。 センサの近くに置かれる高効率機械学習モデルを統合する。 このモデルは,無関係な情報を破棄しながら,貴重なデータのみを送信するセンサシステムに対して,迅速なフィードバックを提供する。
  論文  参考訳（メタデータ） (2024-02-03T05:41:39Z)
• Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
  我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。 FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。 実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
  論文  参考訳（メタデータ） (2024-01-22T14:16:37Z)
• 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)
• Federated Learning on Edge Sensing Devices: A Review [0.0]
  プライバシ、ハードウェア、接続性の制限に対するソリューションとして、フェデレートラーニング(FL)が登場している。 FLの主要な原則、ソフトウェアフレームワーク、テストベッドに重点を置いています。 また,現在のセンサ技術,センサ装置の特性,FLを利用したセンサアプリケーションについても検討する。
  論文  参考訳（メタデータ） (2023-11-02T12:55:26Z)
• The Internet of Senses: Building on Semantic Communications and Edge Intelligence [67.75406096878321]
  インターネット・オブ・センセーズ(IoS)は、すべてのヒト受容体に対する欠陥のないテレプレゼンススタイルのコミュニケーションを約束する。 我々は,新たなセマンティックコミュニケーションと人工知能(AI)/機械学習(ML)パラダイムがIoSユースケースの要件を満たす方法について詳しく述べる。
  論文  参考訳（メタデータ） (2022-12-21T03:37:38Z)
• A Reinforcement Learning Approach to Sensing Design in Resource-Constrained Wireless Networked Control Systems [0.0]
  我々は,動的プロセスを監視し,基地局に計測を送信するセンサ(エージェント)の無線ネットワークについて検討する。 スマートセンサーは、センサーと計算の両方を備えており、生の測定を送信したり、送信前に処理することができる。 本稿では,各センサで計測処理を行う際に動的に決定する効率的なポリシーを学習するための強化学習手法を提案する。
  論文  参考訳（メタデータ） (2022-04-01T21:55:11Z)
• Federated Learning over Wireless IoT Networks with Optimized Communication and Resources [98.18365881575805]
  協調学習技術のパラダイムとしてのフェデレートラーニング(FL)は研究の注目を集めている。 無線システム上での高速応答および高精度FLスキームの検証が重要である。 提案する通信効率のよいフェデレーション学習フレームワークは,強い線形速度で収束することを示す。
  論文  参考訳（メタデータ） (2021-10-22T13:25:57Z)
• Complex-valued Convolutional Neural Networks for Enhanced Radar Signal Denoising and Interference Mitigation [73.0103413636673]
  本稿では,レーダセンサ間の相互干渉問題に対処するために,複合価値畳み込みニューラルネットワーク(CVCNN)を提案する。 CVCNNはデータ効率を高め、ネットワークトレーニングを高速化し、干渉除去時の位相情報の保存を大幅に改善する。
  論文  参考訳（メタデータ） (2021-04-29T10:06:29Z)
• Energy Aware Deep Reinforcement Learning Scheduling for Sensors Correlated in Time and Space [62.39318039798564]
  相関情報を利用するスケジューリング機構を提案する。 提案したメカニズムは、センサが更新を送信する頻度を決定することができる。 我々は,センサの寿命を大幅に延長できることを示した。
  論文  参考訳（メタデータ） (2020-11-19T09:53:27Z)

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。