論文の概要: A Plug-in Tiny AI Module for Intelligent and Selective Sensor Data Transmission

• arxiv url: http://arxiv.org/abs/2402.02043v1
• Date: Sat, 3 Feb 2024 05:41:39 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-06 22:41:36.836257
• Title: A Plug-in Tiny AI Module for Intelligent and Selective Sensor Data Transmission
• Title（参考訳）: 知的・選択的センサデータ伝送のためのプラグイン型AIモジュール
• Authors: Wenjun Huang, Arghavan Rezvani, Hanning Chen, Yang Ni, Sanggeon Yun, Sungheon Jeong, and Mohsen Imani
• Abstract要約: 本稿では、インテリジェントなデータ伝送機能を備えたセンシングフレームワークを実現するための新しいセンシングモジュールを提案する。 センサの近くに置かれる高効率機械学習モデルを統合する。 このモデルは,無関係な情報を破棄しながら,貴重なデータのみを送信するセンサシステムに対して,迅速なフィードバックを提供する。
• 参考スコア（独自算出の注目度）: 10.174575604689391
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Applications in the Internet of Things (IoT) utilize machine learning to analyze sensor-generated data. However, a major challenge lies in the lack of targeted intelligence in current sensing systems, leading to vast data generation and increased computational and communication costs. To address this challenge, we propose a novel sensing module to equip sensing frameworks with intelligent data transmission capabilities by integrating a highly efficient machine learning model placed near the sensor. This model provides prompt feedback for the sensing system to transmit only valuable data while discarding irrelevant information by regulating the frequency of data transmission. The near-sensor model is quantized and optimized for real-time sensor control. To enhance the framework's performance, the training process is customized and a "lazy" sensor deactivation strategy utilizing temporal information is introduced. The suggested method is orthogonal to other IoT frameworks and can be considered as a plugin for selective data transmission. The framework is implemented, encompassing both software and hardware components. The experiments demonstrate that the framework utilizing the suggested module achieves over 85% system efficiency in terms of energy consumption and storage, with negligible impact on performance. This methodology has the potential to significantly reduce data output from sensors, benefiting a wide range of IoT applications.
• Abstract（参考訳）: IoT(Internet of Things)のアプリケーションは、機械学習を使用してセンサ生成データを分析する。 しかし、大きな課題は、現在のセンシングシステムに標的となるインテリジェンスの欠如であり、膨大なデータ生成と計算と通信コストの増加につながっている。 この課題に対処するために,センサの近くに置かれる高効率機械学習モデルを統合することにより,センサフレームワークにインテリジェントなデータ伝送機能を持たせる新しいセンシングモジュールを提案する。 このモデルは,センサシステムに対して,データ送信の頻度を規制することにより,無関係な情報を破棄しながら,貴重なデータのみを送信するための迅速なフィードバックを提供する。 近接センサモデルは量子化され、リアルタイムセンサー制御に最適化される。 フレームワークの性能を高めるため、トレーニングプロセスをカスタマイズし、時間情報を利用した「怠慢」センサ非活性化戦略を導入する。 提案手法は他のiotフレームワークと直交しており、選択的データ送信のプラグインと見なすことができる。 フレームワークは実装され、ソフトウェアコンポーネントとハードウェアコンポーネントの両方を含んでいる。 実験により,提案モジュールを用いたフレームワークは,エネルギー消費とストレージの面で85%以上の効率を実現し,性能への影響を無視できることを示した。 この方法論は、センサーから出力されるデータを大幅に削減し、幅広いIoTアプリケーションに恩恵をもたらす可能性がある。

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)
• An Automated Approach to Collecting and Labeling Time Series Data for Event Detection Using Elastic Node Hardware [18.15754187896287]
  本稿では,センサデータをIoTデバイス上で直接ラベル付けする新しい組込みシステムを提案する。 本稿では,各種センサデータのキャプチャとラベル付けを効率化する,特殊なラベル付けセンサを備えたハードウェアとソフトウェアの統合ソリューションを提案する。
  論文  参考訳（メタデータ） (2024-07-06T15:19:16Z)
• Automatic AI Model Selection for Wireless Systems: Online Learning via Digital Twinning [50.332027356848094]
  AIベースのアプリケーションは、スケジューリングや電力制御などの機能を実行するために、インテリジェントコントローラにデプロイされる。 コンテキストとAIモデルのパラメータのマッピングは、ゼロショット方式で理想的に行われる。 本稿では,AMSマッピングのオンライン最適化のための一般的な手法を紹介する。
  論文  参考訳（メタデータ） (2024-06-22T11:17:50Z)
• 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)
• 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)
• Online Data Selection for Federated Learning with Limited Storage [53.46789303416799]
  ネットワークデバイス間での分散機械学習を実現するために、フェデレートラーニング(FL)が提案されている。 デバイス上のストレージがFLの性能に与える影響はまだ調査されていない。 本研究では,デバイス上のストレージを限定したFLのオンラインデータ選択について検討する。
  論文  参考訳（メタデータ） (2022-09-01T03:27:33Z)
• An Automated Data Engineering Pipeline for Anomaly Detection of IoT Sensor Data [0.0]
  チップ技術、IoT(Internet of Things)、クラウドコンピューティング、人工知能といったシステムが、現在の問題を解決する可能性を高めている。 データ分析と機械学習/ディープラーニングの使用により、基盤となるパターンを学習し、IoTセンサから生成された大量のデータから何を学んだかに基づいて決定することができる。 プロセスにはIoTセンサ、Raspberry Pi、Amazon Web Services(AWS)、スマートホームセキュリティシステムの異常なケースを特定するための複数の機械学習技術の使用が含まれる。
  論文  参考訳（メタデータ） (2021-09-28T15:57:29Z)
• Federated Learning with Correlated Data: Taming the Tail for Age-Optimal Industrial IoT [55.62157530259969]
  本稿では,ピークAoI要求に基づくセンサの送信電力最小化と待ち時間に対する確率的制約について検討する。 本稿では,センサのトレーニングデータ間の相関を考慮した局所モデル選択手法を提案する。 数値計算の結果,送信電力,ピークAoI,遅延尾部分布のトレードオフが示された。
  論文  参考訳（メタデータ） (2021-08-17T08:38:31Z)
• Integrate-and-Fire Neurons for Low-Powered Pattern Recognition [0.0]
  コンデンサの電荷と放電特性を利用した低出力ニューロンモデル「Integrate-and-Fire」を導入する。 並列および直列RC回路を用いて、繰り返し形式で表現できるトレーニング可能なニューロンモデルを開発した。 本論文は,第20回人工知能・ソフトコンピューティングWebシステム国際会議(ICAISC 2021)で発表された研究の全文である。
  論文  参考訳（メタデータ） (2021-06-28T12:08:00Z)
• Efficient and Robust LiDAR-Based End-to-End Navigation [132.52661670308606]
  我々は,LiDARをベースとした効率的なエンドツーエンドナビゲーションフレームワークを提案する。 本稿では,スパース畳み込みカーネル最適化とハードウェア対応モデル設計に基づくFast-LiDARNetを提案する。 次に,単一の前方通過のみから予測の不確かさを直接推定するハイブリッド・エビデンシャル・フュージョンを提案する。
  論文  参考訳（メタデータ） (2021-05-20T17:52:37Z)
• Semantics-aware Adaptive Knowledge Distillation for Sensor-to-Vision Action Recognition [131.6328804788164]
  本稿では,視覚・センサ・モダリティ(動画)における行動認識を強化するためのフレームワーク,Semantics-Aware Adaptive Knowledge Distillation Networks (SAKDN)を提案する。 SAKDNは複数のウェアラブルセンサーを教師のモダリティとして使用し、RGB動画を学生のモダリティとして使用している。
  論文  参考訳（メタデータ） (2020-09-01T03:38:31Z)

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。