論文の概要: SymED: Adaptive and Online Symbolic Representation of Data on the Edge
- arxiv url: http://arxiv.org/abs/2309.03014v1
- Date: Wed, 6 Sep 2023 13:59:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2023-09-07 15:27:00.693081
- Title: SymED: Adaptive and Online Symbolic Representation of Data on the Edge
- Title（参考訳）: SymED: エッジ上のデータの適応的およびオンライン的シンボリック表現
- Authors: Daniel Hofst\"atter, Shashikant Ilager, Ivan Lujic, Ivona Brandic
- Abstract要約: エッジ上のデータのシンボリック表現のための,オンラインで適応的で分散的なアプローチであるSymphedを提案する。
圧縮性能,動的時間ワープ(DTW)距離による再構成精度,計算遅延を測定し,Symphedの評価を行った。
- 参考スコア（独自算出の注目度）: 1.5749416770494706
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: The edge computing paradigm helps handle the Internet of Things (IoT)
generated data in proximity to its source. Challenges occur in transferring,
storing, and processing this rapidly growing amount of data on
resource-constrained edge devices. Symbolic Representation (SR) algorithms are
promising solutions to reduce the data size by converting actual raw data into
symbols. Also, they allow data analytics (e.g., anomaly detection and trend
prediction) directly on symbols, benefiting large classes of edge applications.
However, existing SR algorithms are centralized in design and work offline with
batch data, which is infeasible for real-time cases. We propose SymED -
Symbolic Edge Data representation method, i.e., an online, adaptive, and
distributed approach for symbolic representation of data on edge. SymED is
based on the Adaptive Brownian Bridge-based Aggregation (ABBA), where we assume
low-powered IoT devices do initial data compression (senders) and the more
robust edge devices do the symbolic conversion (receivers). We evaluate SymED
by measuring compression performance, reconstruction accuracy through Dynamic
Time Warping (DTW) distance, and computational latency. The results show that
SymED is able to (i) reduce the raw data with an average compression rate of
9.5%; (ii) keep a low reconstruction error of 13.25 in the DTW space; (iii)
simultaneously provide real-time adaptability for online streaming IoT data at
typical latencies of 42ms per symbol, reducing the overall network traffic.
- Abstract（参考訳）: エッジコンピューティングのパラダイムは、IoT(Internet of Things)生成されたデータをソースに近接して処理するのに役立つ。
リソース制約のあるエッジデバイス上で急速に増加するデータの転送、保存、処理において、課題が発生する。
Symbolic Representation (SR)アルゴリズムは、実際の生データをシンボルに変換することで、データサイズを減らすための有望なソリューションである。
また、シンボルに直接データ分析(異常検出やトレンド予測など)を許可し、エッジアプリケーションの大規模なクラスに恩恵を与える。
しかし、既存のSRアルゴリズムは設計に集中しており、リアルタイムケースでは不可能なバッチデータでオフラインで動作する。
我々は、エッジ上のデータのシンボル表現のための、オンラインで適応的で分散的なアプローチであるSymbedSymbolic Edge Data表現法を提案する。
SymEDはAdaptive Brownian Bridgeベースのアグリゲーション(ABBA)に基づいており、低消費電力のIoTデバイスが初期データ圧縮(Sender)を行い、より堅牢なエッジデバイスがシンボリック変換(Receivers)を行うと仮定する。
圧縮性能,動的時間ワープ(DTW)距離による再構成精度,計算遅延を測定し,Symphedの評価を行った。
結果はSymphedが実現可能であることを示している。
(i)平均圧縮率9.5%で生データを減少させる。
(ii)dtw空間に13.25の再構成誤差を低く保持する。
(iii) シンボルあたり42msの典型的なレイテンシで,オンラインストリーミングIoTデータのリアルタイム適応性を同時に提供することにより,ネットワーク全体のトラフィックを削減できる。
関連論文リスト
- Highly Efficient Direct Analytics on Semantic-aware Time Series Data Compression [15.122371541057339]
本稿では,SHRINK圧縮アルゴリズムにより圧縮された時系列データを直接解析する手法を提案する。
このアプローチは、さまざまなIoTアプリケーションに対して、信頼性が高く、高速な外れ値検出分析を提供します。
論文 参考訳（メタデータ） (2025-03-17T14:58:22Z) - Energy-Efficient Edge Learning via Joint Data Deepening-and-Prefetching [9.468399367975984]
我々は、JD2P(Joint Data Deepening-and-Prefetching)と呼ばれる新しいオフロードアーキテクチャを提案する。
JD2Pは2つの主要な技術からなる機能ごとのオフロードである。
MNISTデータセットを用いてJD2Pの有効性を評価する。
論文 参考訳（メタデータ） (2024-02-19T08:12:47Z) - Spatiotemporal Attention-based Semantic Compression for Real-time Video
Recognition [117.98023585449808]
本稿では,各フレームにおけるフレームと画素の重要性を評価するために,時間的注意に基づくオートエンコーダ(STAE)アーキテクチャを提案する。
我々は3D-2D CNNを組み合わせた軽量デコーダを開発し、欠落した情報を再構成する。
実験の結果,VT_STAEはビデオデータセットH51を,5%の精度で104倍圧縮できることがわかった。
論文 参考訳（メタデータ） (2023-05-22T07:47:27Z) - Anomalies, Representations, and Self-Supervision [0.0]
本研究では,CMS ADC 2021のイベントレベル異常データを用いて,コントラスト学習を用いた自己教師付き密度ベース異常検出法を開発した。
AnomalyCLRのテクニックはデータ駆動であり、背景データの拡張を使用して、モデルに依存しない方法で非標準モデルイベントを模倣する。
論文 参考訳（メタデータ） (2023-01-11T19:00:00Z) - Scalable Adaptive Computation for Iterative Generation [13.339848496653465]
リカレントインタフェースネットワーク(Recurrent Interface Networks, RIN)は、データ次元からコア計算を分離するアテンションベースのアーキテクチャである。
RINは、潜在トークンとデータトークンの間の情報の読み込みと書き込みにクロスアテンションを使用する、潜在トークンのセットに計算の大部分を集中する。
RINは、画像生成とビデオ生成のための最先端のピクセル拡散モデルを生成し、カスケードやガイダンスなしで1024X1024画像にスケーリングする。
論文 参考訳（メタデータ） (2022-12-22T18:55:45Z) - Attention-based Feature Compression for CNN Inference Offloading in Edge
Computing [93.67044879636093]
本稿では,デバイスエッジ共振器におけるCNN推論の計算負荷について検討する。
エンドデバイスにおける効率的な特徴抽出のための新しいオートエンコーダベースのCNNアーキテクチャ(AECNN)を提案する。
実験の結果、AECNNは中間データを約4%の精度で256倍圧縮できることがわかった。
論文 参考訳（メタデータ） (2022-11-24T18:10:01Z) - Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge
Computing: A Contextual-Bandit Approach [81.5261621619557]
階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。
まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。
そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
論文 参考訳（メタデータ） (2021-08-09T08:45:47Z) - Deep convolutional generative adversarial networks for traffic data
imputation encoding time series as images [7.053891669775769]
我々は,GAN(Generative Adversarial Network)に基づく交通センサデータ計算フレームワーク(TGAN)を開発した。
本研究では,GASF(Gramian Angular Summation Field)と呼ばれる新しい時間依存符号化手法を開発した。
本研究は,提案モデルにより,平均絶対誤差 (MAE) とルート平均正方形誤差 (RMSE) をベンチマークデータセットの最先端モデルと比較することにより,トラフィックデータ計算精度を著しく向上させることができることを示す。
論文 参考訳（メタデータ） (2020-05-05T19:14:02Z) - Contextual-Bandit Anomaly Detection for IoT Data in Distributed
Hierarchical Edge Computing [65.78881372074983]
IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。
本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。
提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
論文 参考訳（メタデータ） (2020-04-15T06:13:33Z) - Resolution Adaptive Networks for Efficient Inference [53.04907454606711]
本稿では,低分解能表現が「容易」な入力を分類するのに十分である,という直感に触発された新しいレゾリューション適応ネットワーク(RANet)を提案する。
RANetでは、入力画像はまず、低解像度表現を効率的に抽出する軽量サブネットワークにルーティングされる。
ネットワーク内の高解像度パスは、"ハード"サンプルを認識する能力を維持している。
論文 参考訳（メタデータ） (2020-03-16T16:54:36Z) - Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。
本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。
提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
論文 参考訳（メタデータ） (2020-01-10T05:29:17Z)
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。