論文の概要: Missing Value Imputation for Multi-attribute Sensor Data Streams via Message Propagation (Extended Version)

• arxiv url: http://arxiv.org/abs/2311.07344v1
• Date: Mon, 13 Nov 2023 14:01:04 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-14 14:12:10.300101
• Title: Missing Value Imputation for Multi-attribute Sensor Data Streams via Message Propagation (Extended Version)
• Title（参考訳）: メッセージ伝搬によるマルチ属性センサデータストリームの欠落値計算(拡張版)
• Authors: Xiao Li, Huan Li, Hua Lu, Christian S. Jensen, Varun Pandey, and Volker Markl
• Abstract要約: タイムウインドウでデータインスタンスの欠落した値を復元できるMPIN(Message propagation imputation Network)を提案する。 MPINは、既存のデータインプタを幅広いマージンで上回り、継続的なインプタフレームワークは効率的かつ正確である。
• 参考スコア（独自算出の注目度）: 25.022656067909523
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Sensor data streams occur widely in various real-time applications in the context of the Internet of Things (IoT). However, sensor data streams feature missing values due to factors such as sensor failures, communication errors, or depleted batteries. Missing values can compromise the quality of real-time analytics tasks and downstream applications. Existing imputation methods either make strong assumptions about streams or have low efficiency. In this study, we aim to accurately and efficiently impute missing values in data streams that satisfy only general characteristics in order to benefit real-time applications more widely. First, we propose a message propagation imputation network (MPIN) that is able to recover the missing values of data instances in a time window. We give a theoretical analysis of why MPIN is effective. Second, we present a continuous imputation framework that consists of data update and model update mechanisms to enable MPIN to perform continuous imputation both effectively and efficiently. Extensive experiments on multiple real datasets show that MPIN can outperform the existing data imputers by wide margins and that the continuous imputation framework is efficient and accurate.
• Abstract（参考訳）: センサデータストリームは、IoT(Internet of Things)のコンテキストにおいて、さまざまなリアルタイムアプリケーションで広く発生する。 しかしながら、センサデータストリームには、センサ障害や通信エラー、電池の枯渇といった要因による値の欠如がある。 失敗する値は、リアルタイム分析タスクや下流アプリケーションの品質を損なう可能性がある。 既存の計算手法はストリームについて強い仮定をするか、効率を低下させる。 本研究では,リアルタイムアプリケーションにより広く活用するために,一般特性のみを満足するデータストリームの欠落値を正確にかつ効率的に推測することを目的とする。 まず、タイムウィンドウ内のデータインスタンスの欠落値を復元できるmpin(message propagation imputation network)を提案する。 MPINが有効である理由を理論的に分析する。 次に,mpinが効果的かつ効率的に連続的インプテーションを行えるように,データ更新機構とモデル更新機構からなる連続インプテーションフレームワークを提案する。 複数の実データセットに対する大規模な実験により、MPINは既存のデータインプットを広いマージンで上回り、連続的なインプットフレームワークは効率的かつ正確であることが示された。

関連論文リスト

• Real-time Monitoring of Lower Limb Movement Resistance Based on Deep Learning [0.0]
  リアルタイム下肢運動抵抗モニタリングは,リハビリテーションや運動訓練などの臨床・スポーツ分野での様々な用途において重要である。 効率的な特徴抽出のためにMobileNetV3を統合した新しいMobile Multi-Task Learning Network (MMTL-Net)を提案する。 MMTL-Netの利点は、精度の向上、レイテンシの低減、計算効率の向上であり、リアルタイムアプリケーションに非常に適している。
  論文  参考訳（メタデータ） (2024-10-13T18:19:48Z)
• t-READi: Transformer-Powered Robust and Efficient Multimodal Inference for Autonomous Driving [34.4792159427294]
  t-READiは,マルチモーダルセンサデータの変動を考慮した適応型推論システムである。 平均推論精度を6%以上改善し、推論遅延を約15倍削減する。
  論文  参考訳（メタデータ） (2024-10-13T06:53:58Z)
• PREM: A Simple Yet Effective Approach for Node-Level Graph Anomaly Detection [65.24854366973794]
  ノードレベルのグラフ異常検出(GAD)は、医学、ソーシャルネットワーク、eコマースなどの分野におけるグラフ構造化データから異常ノードを特定する上で重要な役割を果たす。 本稿では,GADの効率を向上させるために,PREM (preprocessing and Matching) という簡単な手法を提案する。 我々のアプローチは、強力な異常検出機能を維持しながら、GADを合理化し、時間とメモリ消費を削減します。
  論文  参考訳（メタデータ） (2023-10-18T02:59:57Z)
• Value function estimation using conditional diffusion models for control [62.27184818047923]
  拡散値関数(DVF)と呼ばれる単純なアルゴリズムを提案する。 拡散モデルを用いて環境-ロボット相互作用の連成多段階モデルを学ぶ。 本稿では,DVFを用いて複数のコントローラの状態を効率よく把握する方法を示す。
  論文  参考訳（メタデータ） (2023-06-09T18:40:55Z)
• HFedMS: Heterogeneous Federated Learning with Memorable Data Semantics in Industrial Metaverse [49.1501082763252]
  本稿では,新しい産業メタバースに実用FLを取り入れたHFEDMSを提案する。 動的グルーピングとトレーニングモード変換によってデータの均一性を低下させる。 そして、圧縮された履歴データセマンティクスを融合することで、忘れられた知識を補う。 ストリームされた非I.d.FEMNISTデータセットに対して,368個のシミュレーションデバイスを用いて実験を行った。
  論文  参考訳（メタデータ） (2022-11-07T04:33:24Z)
• SECOE: Alleviating Sensors Failure in Machine Learning-Coupled IoT Systems [0.0]
  本論文は,センサ障害を同時に緩和するための積極的なアプローチであるSECOEを提案する。 SECOEは、センサー間の相関を利用してアンサンブル内のモデル数を最小化する新しい技術を含んでいる。 実験の結果,SECOEはセンサ故障の有無の予測精度を効果的に維持することがわかった。
  論文  参考訳（メタデータ） (2022-10-05T10:58:39Z)
• DynImp: Dynamic Imputation for Wearable Sensing Data Through Sensory and Temporal Relatedness [78.98998551326812]
  従来の手法では、データの時系列ダイナミクスと、異なるセンサーの特徴の関連性の両方をめったに利用していない、と我々は主張する。 我々はDynImpと呼ばれるモデルを提案し、特徴軸に沿って近接する隣人と異なる時間点の欠如を扱う。 本手法は, 関連センサのマルチモーダル性特性を活かし, 履歴時系列のダイナミックスから学習し, 極端に欠落した状態でデータを再構築することができることを示す。
  論文  参考訳（メタデータ） (2022-09-26T21:59:14Z)
• STING: Self-attention based Time-series Imputation Networks using GAN [4.052758394413726]
  GANを用いたSING(Self-attention based Time-Series Imputation Networks)を提案する。 我々は、時系列の潜在表現を学習するために、生成的対向ネットワークと双方向リカレントニューラルネットワークを利用する。 3つの実世界のデータセットによる実験結果から、STINGは既存の最先端手法よりも計算精度が優れていることが示された。
  論文  参考訳（メタデータ） (2022-09-22T06:06:56Z)
• Development of fully intuitionistic fuzzy data envelopment analysis model with missing data: an application to Indian police sector [2.9434930072968584]
  DEAは意思決定単位(DMU)の効率を測定する技術である 通常、データは人間、機械、またはその両方によって収集される。 データの欠落した値と不正確性に対処できる方法が提示される。 本報告では,インドにおける警察署の性能効率を実生活で測定するアプリケーションについて述べる。
  論文  参考訳（メタデータ） (2022-07-27T18:20:13Z)
• StreamYOLO: Real-time Object Detection for Streaming Perception [84.2559631820007]
  将来を予測する能力を備えたモデルを提供し、ストリーミング知覚の結果を大幅に改善する。 本稿では,複数の速度を駆動するシーンについて考察し,VasAP(Velocity-Awared streaming AP)を提案する。 本手法は,Argoverse-HDデータセットの最先端性能を実現し,SAPとVsAPをそれぞれ4.7%,VsAPを8.2%改善する。
  論文  参考訳（メタデータ） (2022-07-21T12:03:02Z)
• Transfer Learning for Fault Diagnosis of Transmission Lines [55.971052290285485]
  事前学習されたLeNet-5畳み込みニューラルネットワークに基づく新しい伝達学習フレームワークを提案する。 ソースニューラルネットワークから知識を転送して、異種ターゲットデータセットを予測することで、異なる伝送ラインの長さとインピーダンスの障害を診断することができる。
  論文  参考訳（メタデータ） (2022-01-20T06:36:35Z)

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。