論文の概要: Digital Twin-Based User-Centric Edge Continual Learning in Integrated
Sensing and Communication
- arxiv url: http://arxiv.org/abs/2311.12223v1
- Date: Mon, 20 Nov 2023 22:27:14 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-23 02:43:39.237481
- Title: Digital Twin-Based User-Centric Edge Continual Learning in Integrated
Sensing and Communication
- Title（参考訳）: 統合センシングとコミュニケーションにおけるデジタルツインベースユーザ中心エッジ連続学習
- Authors: Shisheng Hu, Jie Gao, Xinyu Huang, Mushu Li, Kaige Qu, Conghao Zhou,
and Xuemin (Sherman) Shen
- Abstract要約: 本稿では,ISACシステムにおけるセンサデータ処理のためのディジタルツイン(DT)に基づくユーザ中心アプローチを提案する。
ISAC装置のDTは、サーバの長期計算コストに対する潜在的な決定の影響を予測するために構築される。
提案手法の優れた性能を示すために,DNNに基づく人体動作認識タスクの実行実験を行った。
- 参考スコア（独自算出の注目度）: 12.78137871351962
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we propose a digital twin (DT)-based user-centric approach for
processing sensing data in an integrated sensing and communication (ISAC)
system with high accuracy and efficient resource utilization. The considered
scenario involves an ISAC device with a lightweight deep neural network (DNN)
and a mobile edge computing (MEC) server with a large DNN. After collecting
sensing data, the ISAC device either processes the data locally or uploads them
to the server for higher-accuracy data processing. To cope with data drifts,
the server updates the lightweight DNN when necessary, referred to as continual
learning. Our objective is to minimize the long-term average computation cost
of the MEC server by optimizing two decisions, i.e., sensing data offloading
and sensing data selection for the DNN update. A DT of the ISAC device is
constructed to predict the impact of potential decisions on the long-term
computation cost of the server, based on which the decisions are made with
closed-form formulas. Experiments on executing DNN-based human motion
recognition tasks are conducted to demonstrate the outstanding performance of
the proposed DT-based approach in computation cost minimization.
- Abstract（参考訳）: 本稿では,統合センシング通信(ISAC)システムにおけるセンサデータを高精度かつ効率的な資源利用で処理するための,ディジタルツイン(DT)ベースのユーザ中心型アプローチを提案する。
検討されたシナリオは、軽量なディープニューラルネットワーク(DNN)を備えたISACデバイスと、大きなDNNを備えたモバイルエッジコンピューティング(MEC)サーバである。
センシングデータを収集した後、ISACデバイスはデータをローカルに処理するか、より高精度なデータ処理のためにサーバにアップロードする。
データドリフトに対処するために、サーバは、連続学習(continual learning)と呼ばれる、必要に応じて軽量なdnnを更新する。
本研究の目的は,DNN更新におけるデータオフロードとデータ選択の2つの決定を最適化することで,MECサーバの長期平均計算コストを最小化することである。
ISAC装置のDTは、決定をクローズドフォーム式で行うサーバの長期計算コストに対する潜在的な決定の影響を予測するために構築される。
DNNに基づく人間動作認識タスクの実行実験を行い、計算コスト最小化における提案手法の優れた性能を示す。
関連論文リスト
- DCP: Learning Accelerator Dataflow for Neural Network via Propagation [52.06154296196845]
この研究は、DNN層の最適なデータフローを人間の努力なしに数秒で自動的に見つけるために、Dataflow Code Propagation (DCP)と呼ばれる効率的なデータ中心のアプローチを提案する。
DCPは、様々な最適化目標を最小化するために、望ましい勾配方向に向けてデータフローコードを効率的に更新する神経予測器を学習する。
例えば、追加のトレーニングデータを使用しないDCPは、数千のサンプルを使用して完全な検索を行うGAMAメソッドを超越している。
論文 参考訳（メタデータ） (2024-10-09T05:16:44Z) - 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) - Device Sampling and Resource Optimization for Federated Learning in Cooperative Edge Networks [17.637761046608]
フェデレーテッド・ラーニング(FedL)は、サーバによって定期的に集約されたローカルモデルをトレーニングすることで、機械学習(ML)をワーカーデバイスに分散させる。
FedLは、同時代の無線ネットワークの2つの重要な特徴を無視している: (i) ネットワークには異種通信/計算資源が含まれており、 (ii) デバイスのローカルデータ分布にかなりの重複がある可能性がある。
デバイス間オフロード(D2D)によって補完されるインテリジェントデバイスサンプリングにより,これらの要因を共同で考慮する新しい最適化手法を開発した。
論文 参考訳（メタデータ） (2023-11-07T21:17:59Z) - 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) - To Compute or not to Compute? Adaptive Smart Sensing in
Resource-Constrained Edge Computing [1.7361161778148904]
我々は,時間変化信号のサンプリングと基地局への更新をリモートグローバル監視のために送信するエッジコンピューティングアプリケーションのための,スマートセンサのネットワークを考察する。
センサーはセンサーと計算機能を備えており、生のデータを送信したり、送信前にオンボードで処理することができる。
計算と通信遅延の両方を埋め込んだ推定理論最適化フレームワークを提案する。
論文 参考訳（メタデータ） (2022-09-05T23:46:42Z) - Dynamic Split Computing for Efficient Deep Edge Intelligence [78.4233915447056]
通信チャネルの状態に基づいて最適な分割位置を動的に選択する動的分割計算を導入する。
本研究では,データレートとサーバ負荷が時間とともに変化するエッジコンピューティング環境において,動的スプリットコンピューティングが高速な推論を実現することを示す。
論文 参考訳（メタデータ） (2022-05-23T12:35:18Z) - Collaborative Self Organizing Map with DeepNNs for Fake Task Prevention
in Mobile Crowdsensing [26.6224977032229]
モバイルクラウドセンシング(Mobile Crowdsensing、MCS)は、さまざまなサービスプロバイダがデータを収集、処理、分析する方法を変革したセンシングパラダイムである。
データ中毒、クロッギングタスク攻撃、偽検知タスクなどの様々な脅威は、MCSシステムの性能に悪影響を及ぼす。
この作業では、教師なしの方法でトレーニングされたニューラルネットワークであるSelf Organizing Feature Map(SOFM)を使用して、データセット内の正当なデータを事前クラスタする。
論文 参考訳（メタデータ） (2022-02-17T04:56:28Z) - Dynamic Network-Assisted D2D-Aided Coded Distributed Learning [59.29409589861241]
本稿では,デバイス間のロードバランシングのための新しいデバイス・ツー・デバイス(D2D)支援型符号化学習手法(D2D-CFL)を提案する。
最小処理時間を達成するための最適圧縮率を導出し、収束時間との接続を確立する。
提案手法は,ユーザが継続的にトレーニングデータを生成するリアルタイム協調アプリケーションに有用である。
論文 参考訳（メタデータ） (2021-11-26T18:44:59Z) - 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) - DANA: Dimension-Adaptive Neural Architecture for Multivariate Sensor
Data [37.01965391878387]
ウェアラブルやモバイルデバイスに埋め込まれたモーションセンサーは、センサストリームとサンプリングレートの動的選択を可能にする。
ディープニューラルネットワーク(DNN)は、一定のサンプリングレートで、固定されたセンサーセットからの入力データを処理します。
センサの可利用性やサンプリング率の変化に対して,DNNを柔軟かつ堅牢にするための次元適応型プーリング層を導入する。
論文 参考訳（メタデータ） (2020-08-05T23:42:03Z) - 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。