論文の概要: CoSS: Co-optimizing Sensor and Sampling Rate for Data-Efficient AI in Human Activity Recognition
- arxiv url: http://arxiv.org/abs/2401.05426v2
- Date: Thu, 10 Oct 2024 15:18:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-11 14:28:57.721407
- Title: CoSS: Co-optimizing Sensor and Sampling Rate for Data-Efficient AI in Human Activity Recognition
- Title（参考訳）: CoSS:人間活動認識におけるデータ効率の良いAIのための協調最適化センサとサンプリングレート
- Authors: Mengxi Liu, Zimin Zhao, Daniel Geißler, Bo Zhou, Sungho Suh, Paul Lukowicz,
- Abstract要約: ニューラルネットワークの最近の進歩は、複数の時系列センサーを用いた人間の活動認識を大幅に改善した。
高周波サンプリングレートの多数のセンサを用いることで結果が向上するが、多くの場合、データ非効率性とANNの不要な拡張につながる。
本稿では,HARタスクにおけるデータ効率向上のための実用的フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 5.215675032361843
- License:
- Abstract: Recent advancements in Artificial Neural Networks have significantly improved human activity recognition using multiple time-series sensors. While employing numerous sensors with high-frequency sampling rates usually improves the results, it often leads to data inefficiency and unnecessary expansion of the ANN, posing a challenge for their practical deployment on edge devices. Addressing these issues, our work introduces a pragmatic framework for data-efficient utilization in HAR tasks, considering the optimization of both sensor modalities and sampling rate simultaneously. Central to our approach are the designed trainable parameters, termed 'Weight Scores,' which assess the significance of each sensor modality and sampling rate during the training phase. These scores guide the sensor modalities and sampling rate selection. The pruning method allows users to make a trade-off between computational budgets and performance by selecting the sensor modalities and sampling rates according to the weight score ranking. We tested our framework's effectiveness in optimizing sensor modality and sampling rate selection using three public HAR benchmark datasets. The results show that the sensor and sampling rate combination selected via CoSS achieves similar classification performance to configurations using the highest sampling rate with all sensors but at a reduced hardware cost.
- Abstract（参考訳）: ニューラルネットワークの最近の進歩は、複数の時系列センサーを用いた人間の活動認識を大幅に改善した。
高周波サンプリングレートの多数のセンサを採用すると、通常は結果が向上するが、多くの場合、データ非効率性とANNの不要な拡張につながるため、エッジデバイスへの実践的な展開が困難になる。
これらの課題に対処するため,HARタスクにおけるデータ効率向上のための実用的枠組みを導入し,センサの最適化とサンプリング率の両面を同時に検討した。
提案手法の中心は「重みスコア」とよばれるトレーニング可能なパラメータであり、トレーニングフェーズにおける各センサのモダリティとサンプリングレートの意義を評価する。
これらのスコアは、センサのモダリティとサンプリングレートの選択を導く。
このプルーニング方式により、ユーザは、重量スコアランキングに応じて、センサのモダリティとサンプリングレートを選択することにより、計算予算と性能のトレードオフを行うことができる。
我々は,3つのHARベンチマークデータセットを用いて,センサのモダリティとサンプリングレートの選択を最適化するフレームワークの有効性を検証した。
その結果,CoSSを用いて選択したセンサとサンプリングレートの組み合わせは,全センサのサンプリングレートが最も高く,ハードウェアコストの低減が図られた。
関連論文リスト
- A distributed neural network architecture for dynamic sensor selection
with application to bandwidth-constrained body-sensor networks [53.022158485867536]
ディープニューラルネットワーク(DNN)のための動的センサ選択手法を提案する。
データセット全体の固定選択ではなく、個々の入力サンプルに対して最適なセンササブセット選択を導出することができる。
無線センサネットワーク(WSN)の寿命を、各ノードの送信頻度に制約を加えることで、この動的選択をいかに利用できるかを示す。
論文 参考訳（メタデータ） (2023-08-16T14:04:50Z) - A Real-time Human Pose Estimation Approach for Optimal Sensor Placement
in Sensor-based Human Activity Recognition [63.26015736148707]
本稿では,人間の行動認識に最適なセンサ配置の課題を解決するための新しい手法を提案する。
得られた骨格データは、最適なセンサ位置を特定するためのユニークな戦略を提供する。
本研究は,センサ配置の視覚的手法が従来のディープラーニング手法と同等の結果をもたらすことを示唆している。
論文 参考訳（メタデータ） (2023-07-06T10:38:14Z) - Machine Learning Based Compensation for Inconsistencies in Knitted Force
Sensors [1.0742675209112622]
編まれたセンサーは、オフセット、緩和、漂流といった自然現象によってしばしば不整合に悩まされる。
本稿では,最小人工ニューラルネットワーク(ANN)を用いて処理することで,これに対応する方法を示す。
合計8個のニューロンを持つ3層ANNをトレーニングすることにより,センサ読み取りとアクティベーション力のマッピングを大幅に改善する。
論文 参考訳（メタデータ） (2023-06-21T09:19:33Z) - Unsupervised Statistical Feature-Guided Diffusion Model for Sensor-based Human Activity Recognition [3.2319909486685354]
ウェアラブルセンサーによる人間の活動認識の進歩を支えている重要な問題は、多様なラベル付きトレーニングデータの利用不可能である。
本研究では,ウェアラブルセンサを用いた人間行動認識に特化して最適化された,教師なしの統計的特徴誘導拡散モデルを提案する。
平均,標準偏差,Zスコア,歪などの統計情報に拡散モデルを適用し,多種多様な合成センサデータを生成する。
論文 参考訳（メタデータ） (2023-05-30T15:12:59Z) - DAPPER: Label-Free Performance Estimation after Personalization for
Heterogeneous Mobile Sensing [95.18236298557721]
DAPPER(Domain AdaPtation Performance EstimatoR)を提案する。
実世界の6つのベースラインと比較した4つのセンシングデータセットによる評価の結果,DAPPERの精度は39.8%向上した。
論文 参考訳（メタデータ） (2021-11-22T08:49:33Z) - SALIENCE: An Unsupervised User Adaptation Model for Multiple Wearable
Sensors Based Human Activity Recognition [9.358282765566807]
本稿では,複数のウェアラブルセンサを用いた人間行動認識モデルSALIENCEを提案する。
各センサーのデータを別々に調整して局所的なアライメントを実現し、全センサのデータを均一にアライメントし、グローバルなアライメントを確保する。
2つの公開WHARデータセットを用いて実験を行い,実験結果から,本モデルが競合性能を発揮することが示された。
論文 参考訳（メタデータ） (2021-08-17T13:45:32Z) - Bandit Quickest Changepoint Detection [55.855465482260165]
すべてのセンサの継続的な監視は、リソースの制約のためにコストがかかる可能性がある。
有限パラメータ化確率分布の一般クラスに対する検出遅延に基づく情報理論の下界を導出する。
本稿では,異なる検知オプションの探索と質問行動の活用をシームレスに両立させる,計算効率のよいオンラインセンシング手法を提案する。
論文 参考訳（メタデータ） (2021-07-22T07:25:35Z) - Comparison of end-to-end neural network architectures and data
augmentation methods for automatic infant motility assessment using wearable
sensors [7.003610369186623]
本研究では,ウェアラブルセンサから幼児の運動データを処理するためのエンド・ツー・エンドのニューラルネットワークアーキテクチャについて検討した。
実験は7カ月児のマルチセンサー運動記録データを用いて行った。
論文 参考訳（メタデータ） (2021-07-02T14:02:05Z) - Straggler-Resilient Federated Learning: Leveraging the Interplay Between
Statistical Accuracy and System Heterogeneity [57.275753974812666]
フェデレーション学習は、データをローカルに保持しながら、クライアントのネットワークに分散したデータサンプルから学習する。
本稿では,学習手順を高速化するために,クライアントデータの統計的特徴を取り入れてクライアントを適応的に選択する,ストラグラー・レジリエントなフェデレーション学習手法を提案する。
論文 参考訳（メタデータ） (2020-12-28T19:21:14Z) - Data-aided Sensing for Gaussian Process Regression in IoT Systems [48.523643863141466]
我々は,インターネット・オブ・シングス・システムにおいて,センサから収集したデータセットの学習にデータアシストセンシングを用いる。
データ支援センシングによるガウス過程回帰の精度向上に寄与し,予測によるマルチチャネルALOHAの修正が有効であることを示す。
論文 参考訳（メタデータ） (2020-11-23T20:59:51Z)
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。