論文の概要: Topology Recoverability Prediction for Ad-Hoc Robot Networks: A
Data-Driven Fault-Tolerant Approach
- arxiv url: http://arxiv.org/abs/2310.20024v1
- Date: Mon, 30 Oct 2023 21:16:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-01 17:23:19.427023
- Title: Topology Recoverability Prediction for Ad-Hoc Robot Networks: A
Data-Driven Fault-Tolerant Approach
- Title（参考訳）: アドホックロボットネットワークのトポロジー回復可能性予測:データ駆動型フォールトトレラントアプローチ
- Authors: Matin Macktoobian and Zhan Shu and Qing Zhao
- Abstract要約: アドホックなロボットネットワークで発生する故障は、それらのネットワークのサブセットを切断する原因となるトポロジを致命的に混乱させる可能性がある。
トポロジ的再計算は、何らかの断層発生後のトポロジ的回復可能性がその発見不可能性を上回る場合のみ行わなければならない。
我々は,2つの異なるプレフォールトおよびポストフォールト予測経路を用いて,典型的な問題の解を予測できる2経路データ駆動モデルを開発した。
- 参考スコア（独自算出の注目度）: 7.857061104983226
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Faults occurring in ad-hoc robot networks may fatally perturb their
topologies leading to disconnection of subsets of those networks. Optimal
topology synthesis is generally resource-intensive and time-consuming to be
done in real time for large ad-hoc robot networks. One should only perform
topology re-computations if the probability of topology recoverability after
the occurrence of any fault surpasses that of its irrecoverability. We
formulate this problem as a binary classification problem. Then, we develop a
two-pathway data-driven model based on Bayesian Gaussian mixture models that
predicts the solution to a typical problem by two different pre-fault and
post-fault prediction pathways. The results, obtained by the integration of the
predictions of those pathways, clearly indicate the success of our model in
solving the topology (ir)recoverability prediction problem compared to the best
of current strategies found in the literature.
- Abstract（参考訳）: アドホックなロボットネットワークで発生する故障は、それらのネットワークのサブセットの切断につながるトポロジを致命的に混乱させる可能性がある。
最適なトポロジー合成は一般にリソース集約的で、大規模なアドホックなロボットネットワークでリアルタイムに行うのに時間がかかります。
トポロジー再計算は、任意の障害の発生後のトポロジー回復可能性の確率が、その回復可能性のそれを超える場合にのみ行うべきである。
この問題を二分分類問題として定式化する。
そこで,ベイジアン・ガウシアン混合モデルに基づく2経路データ駆動モデルを構築し,2つの異なるプレフォールトおよびポストフォールト予測経路による典型的な問題の解を予測する。
これらの経路の予測を統合することで得られた結果は、文献で見られる現在の戦略と比較して、トポロジ(発見可能性)予測問題の解決における我々のモデルの成功を示している。
関連論文リスト
- Towards physics-informed neural networks for landslide prediction [1.03590082373586]
PINNは、一般的なプロキシ変数から地理的パラメータを明示的に取得するニューラルネットワークである。
我々のモデルは、標準感受性出力という形で優れた予測性能を生み出す。
このアーキテクチャは、他の研究で確認されれば、PINNベースの準リアルタイム予測に向けて開放される可能性がある、コサイスミックな地すべり予測に取り組むために構築されている。
論文 参考訳（メタデータ） (2024-07-09T11:54:49Z) - Structured Radial Basis Function Network: Modelling Diversity for
Multiple Hypotheses Prediction [51.82628081279621]
多重モード回帰は非定常過程の予測や分布の複雑な混合において重要である。
構造的放射基底関数ネットワークは回帰問題に対する複数の仮説予測器のアンサンブルとして提示される。
この構造モデルにより, このテッセルレーションを効率よく補間し, 複数の仮説対象分布を近似することが可能であることが証明された。
論文 参考訳（メタデータ） (2023-09-02T01:27:53Z) - Regularization, early-stopping and dreaming: a Hopfield-like setup to
address generalization and overfitting [0.0]
正規化損失関数に勾配降下を適用し,最適ネットワークパラメータを求める。
この枠組みの中で、最適なニューロン相互作用行列は、繰り返し学習プロトコルによって修正されたヘビアン核に対応する。
論文 参考訳（メタデータ） (2023-08-01T15:04:30Z) - Predicting Seriousness of Injury in a Traffic Accident: A New Imbalanced
Dataset and Benchmark [62.997667081978825]
本稿では,交通事故における傷害の重大性を予測するために,機械学習アルゴリズムの性能を評価する新しいデータセットを提案する。
データセットは、英国運輸省から公開されているデータセットを集約することで作成される。
論文 参考訳（メタデータ） (2022-05-20T21:15:26Z) - Learning Optimal Topology for Ad-hoc Robot Networks [6.990891188823598]
まず,ロボットネットワークの様々な構成に付随する,地道的最適トポロジを生成するアルゴリズムを構成する。
このアルゴリズムは,我々の学習モデルが学習に成功している最適性基準の複雑なコレクションを組み込んだものである。
我々のモデルを10個のロボットネットワークに適用すると、引用されたネットワークの様々な構成に対応する最適なトポロジの予測において80%以上の精度が示される。
論文 参考訳（メタデータ） (2022-01-30T19:51:28Z) - Robust lEarned Shrinkage-Thresholding (REST): Robust unrolling for
sparse recover [87.28082715343896]
我々は、モデルミス特定を前進させるのに堅牢な逆問題を解決するためのディープニューラルネットワークについて検討する。
我々は,アルゴリズムの展開手法を根底にある回復問題のロバストバージョンに適用することにより,新しい堅牢なディープニューラルネットワークアーキテクチャを設計する。
提案したRESTネットワークは,圧縮センシングとレーダイメージングの両問題において,最先端のモデルベースおよびデータ駆動アルゴリズムを上回る性能を示す。
論文 参考訳（メタデータ） (2021-10-20T06:15:45Z) - Towards an Understanding of Benign Overfitting in Neural Networks [104.2956323934544]
現代の機械学習モデルは、しばしば膨大な数のパラメータを使用し、通常、トレーニング損失がゼロになるように最適化されている。
ニューラルネットワークの2層構成において、これらの良質な過適合現象がどのように起こるかを検討する。
本稿では,2層型ReLUネットワーク補間器を極小最適学習率で実現可能であることを示す。
論文 参考訳（メタデータ） (2021-06-06T19:08:53Z) - Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。
彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。
本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
論文 参考訳（メタデータ） (2021-02-22T07:02:37Z) - Belief Propagation Reloaded: Learning BP-Layers for Labeling Problems [83.98774574197613]
最も単純な推論手法の1つとして、切り詰められた最大積のBelief伝播を取り上げ、それをディープラーニングモデルの適切なコンポーネントにするために必要となるものを加えます。
このBP-Layerは畳み込みニューラルネットワーク(CNN)の最終ブロックまたは中間ブロックとして使用できる
このモデルは様々な密集予測問題に適用可能であり、パラメータ効率が高く、ステレオ、光フロー、セマンティックセグメンテーションにおける堅牢な解を提供する。
論文 参考訳（メタデータ） (2020-03-13T13:11:35Z) - TopologyGAN: Topology Optimization Using Generative Adversarial Networks
Based on Physical Fields Over the Initial Domain [2.0263791972068628]
そこで我々はTopologyGANと呼ばれる新しいデータ駆動トポロジ最適化モデルを提案する。
位相GANは、条件付き生成逆数ネットワーク(cGAN)のジェネレータへの入力として、元の未最適化物質領域で計算された様々な物理場を利用する
ベースラインのcGANと比較すると、TopologyGANは平均二乗誤差を約3ドル、平均絶対誤差を2.5ドル削減する。
論文 参考訳（メタデータ） (2020-03-05T14:40:11Z)
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。