論文の概要: Image Transformation for IoT Time-Series Data: A Review

• arxiv url: http://arxiv.org/abs/2311.12742v1
• Date: Tue, 21 Nov 2023 17:31:10 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-22 23:37:51.973067
• Title: Image Transformation for IoT Time-Series Data: A Review
• Title（参考訳）: IoT時系列データのための画像変換: レビュー
• Authors: Duygu Altunkaya, Feyza Yildirim Okay and Suat Ozdemir
• Abstract要約: 時系列データは高次元かつ高周波である。 深層学習アルゴリズムは時系列データ分類において優れた性能を示す。 近年の研究では、IoTデータを画像に変換することにより、学習モデルの性能が向上することが示されている。
• 参考スコア（独自算出の注目度）: 1.7188280334580197
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the era of the Internet of Things (IoT), where smartphones, built-in systems, wireless sensors, and nearly every smart device connect through local networks or the internet, billions of smart things communicate with each other and generate vast amounts of time-series data. As IoT time-series data is high-dimensional and high-frequency, time-series classification or regression has been a challenging issue in IoT. Recently, deep learning algorithms have demonstrated superior performance results in time-series data classification in many smart and intelligent IoT applications. However, it is hard to explore the hidden dynamic patterns and trends in time-series. Recent studies show that transforming IoT data into images improves the performance of the learning model. In this paper, we present a review of these studies which use image transformation/encoding techniques in IoT domain. We examine the studies according to their encoding techniques, data types, and application areas. Lastly, we emphasize the challenges and future dimensions of image transformation.
• Abstract（参考訳）: スマートフォン、組み込みシステム、ワイヤレスセンサー、ほぼすべてのスマートデバイスがローカルネットワークやインターネットを介して接続するIoT(Internet of Things)の時代、何十億ものスマートなものが相互に通信し、膨大な時系列データを生成する。 IoTの時系列データは高次元かつ高周波であるため、時系列分類や回帰はIoTにおいて難しい問題となっている。 近年、ディープラーニングアルゴリズムは、多くのスマートでインテリジェントなIoTアプリケーションにおける時系列データ分類において、優れたパフォーマンスを示している。 しかし、時系列の隠れた動的パターンや傾向を探索することは困難である。 近年の研究では、IoTデータを画像に変換することにより、学習モデルの性能が向上している。 本稿では,IoT領域における画像変換/エンコーディング技術を用いたこれらの研究について概説する。 本研究は, 符号化手法, データタイプ, 適用領域に応じて検討する。 最後に,画像変換の課題と今後の展望を強調する。

関連論文リスト

• Leveraging Foundation Models for Zero-Shot IoT Sensing [5.319176383069102]
  ディープラーニングモデルは、エッジIoT(Internet of Things)デバイスにますますデプロイされている。 ZSLは意味情報の助けを借りて、目に見えないクラスのデータを分類することを目的としている。 本研究では、ゼロショットIoTセンシングのためのFMテキストエンコーダによって生成されたセマンティック埋め込みと、IoTデータの埋め込みを一致させる。
  論文  参考訳（メタデータ） (2024-07-29T11:16:48Z)
• Towards Detecting IoT Event Spoofing Attacks Using Time-Series Classification [4.487333825879047]
  モノのインターネット(IoT)デバイスは、現実世界と直接対話できるため、人気が高まっている。 デプロイされたセンサーからのイベント指紋は、密封されたイベントを検出するために使用されている。 イベントスプーフィング攻撃を検出するために、高度な機械学習をデプロイします。
  論文  参考訳（メタデータ） (2024-07-29T02:52:59Z)
• Random resistive memory-based deep extreme point learning machine for unified visual processing [67.51600474104171]
  ハードウェア・ソフトウェア共同設計型, ランダム抵抗型メモリベース深部極点学習マシン(DEPLM)を提案する。 我々の共同設計システムは,従来のシステムと比較して,エネルギー効率の大幅な向上とトレーニングコストの削減を実現している。
  論文  参考訳（メタデータ） (2023-12-14T09:46:16Z)
• Prototype of deployment of Federated Learning with IoT devices [0.0]
  要求される大量のリソース、データ、データは、モバイルデバイス、センサー、その他のIoTデバイスに格納される。 同時に、これらのデバイスは優れたモデルをトレーニングするのに十分なデータや計算能力を持っていない。 フェデレートラーニング(FL)は、デバイスが協調的に学習できる革新的なソリューションを提供する。
  論文  参考訳（メタデータ） (2023-11-24T10:37:30Z)
• MultiIoT: Benchmarking Machine Learning for the Internet of Things [70.74131118309967]
  次世代の機械学習システムは、物理的世界に対する知覚と相互作用に長けなければならない。 運動、熱、位置情報、深度、無線信号、ビデオ、オーディオからの知覚データは、物理環境の状態をモデル化するためにますます使われています。 既存の取り組みは、しばしば単一の感覚的モダリティまたは予測タスクに特化している。 本稿は、12のモダリティと8つの現実世界タスクから115万以上のサンプルを含む、これまでで最も拡張的で統一されたIoTベンチマークであるMultiIoTを提案する。
  論文  参考訳（メタデータ） (2023-11-10T18:13:08Z)
• IoT Data Analytics in Dynamic Environments: From An Automated Machine Learning Perspective [10.350337750192997]
  本稿では,AutoMLの領域におけるモデル選択,チューニング,手順の更新において,既存の手法の見直しを行う。 我々の発見を正当化し、産業ユーザや研究者がAutoMLアプローチをよりうまく実装するのを助けるために、AutoMLをIoT異常検出問題に適用するケーススタディが実施されている。
  論文  参考訳（メタデータ） (2022-09-16T16:02:56Z)
• HyperTime: Implicit Neural Representation for Time Series [131.57172578210256]
  暗黙の神経表現(INR)は、データの正確で解像度に依存しないエンコーディングを提供する強力なツールとして最近登場した。 本稿では、INRを用いて時系列の表現を分析し、再構成精度とトレーニング収束速度の点で異なるアクティベーション関数を比較した。 本稿では,INRを利用して時系列データセット全体の圧縮潜在表現を学習するハイパーネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-08-11T14:05:51Z)
• Application of Machine Learning-Based Pattern Recognition in IoT Devices: Review [0.0]
  スピードと精度を向上させる目的で、数多くの研究がなされている。 IoTデバイスで使用する機械学習ベースのパターン認識アルゴリズムとしては、サポートベクターマシン、k-nearest neighbor、ランダムフォレストなどがある。
  論文  参考訳（メタデータ） (2022-01-10T00:54:51Z)
• Networked Time Series Prediction with Incomplete Data [59.45358694862176]
  我々は、歴史と未来の両方で欠落した値を持つ不完全なデータでトレーニングできる新しいディープラーニングフレームワークであるNetS-ImpGANを提案する。 3つの実世界のデータセットに対して、異なるパターンと欠落率で広範な実験を行う。
  論文  参考訳（メタデータ） (2021-10-05T18:20:42Z)
• Multi-Exit Vision Transformer for Dynamic Inference [88.17413955380262]
  視覚変換器のバックボーンの動的推論に使用できる早期出口分岐のための7つの異なるアーキテクチャを提案する。 提案したアーキテクチャのそれぞれが,精度と速度のトレードオフにおいて有用であることを示す。
  論文  参考訳（メタデータ） (2021-06-29T09:01:13Z)
• Deep Cellular Recurrent Network for Efficient Analysis of Time-Series Data with Spatial Information [52.635997570873194]
  本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。 提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
  論文  参考訳（メタデータ） (2021-01-12T20:08:18Z)

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。