論文の概要: SudokuSens: Enhancing Deep Learning Robustness for IoT Sensing Applications using a Generative Approach

• arxiv url: http://arxiv.org/abs/2402.02275v2
• Date: Thu, 8 Feb 2024 18:35:26 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-09 18:09:07.013263
• Title: SudokuSens: Enhancing Deep Learning Robustness for IoT Sensing Applications using a Generative Approach
• Title（参考訳）: SudokuSens: 生成的アプローチによるIoTセンシングアプリケーションのためのディープラーニングロバストネス向上
• Authors: Tianshi Wang, Jinyang Li, Ruijie Wang, Denizhan Kara, Shengzhong Liu, Davis Wertheimer, Antoni Viros-i-Martin, Raghu Ganti, Mudhakar Srivatsa, Tarek Abdelzaher
• Abstract要約: 本稿では、機械学習ベースのIoT(Internet-of-Things)アプリケーションにおいて、トレーニングデータの自動生成のための生成フレームワークであるSudokuSensを紹介する。 このフレームワークは、結果のディープラーニングモデルの堅牢性を改善し、データ収集が高価であるIoTアプリケーションを対象としている。
• 参考スコア（独自算出の注目度）: 8.647778968634595
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper introduces SudokuSens, a generative framework for automated generation of training data in machine-learning-based Internet-of-Things (IoT) applications, such that the generated synthetic data mimic experimental configurations not encountered during actual sensor data collection. The framework improves the robustness of resulting deep learning models, and is intended for IoT applications where data collection is expensive. The work is motivated by the fact that IoT time-series data entangle the signatures of observed objects with the confounding intrinsic properties of the surrounding environment and the dynamic environmental disturbances experienced. To incorporate sufficient diversity into the IoT training data, one therefore needs to consider a combinatorial explosion of training cases that are multiplicative in the number of objects considered and the possible environmental conditions in which such objects may be encountered. Our framework substantially reduces these multiplicative training needs. To decouple object signatures from environmental conditions, we employ a Conditional Variational Autoencoder (CVAE) that allows us to reduce data collection needs from multiplicative to (nearly) linear, while synthetically generating (data for) the missing conditions. To obtain robustness with respect to dynamic disturbances, a session-aware temporal contrastive learning approach is taken. Integrating the aforementioned two approaches, SudokuSens significantly improves the robustness of deep learning for IoT applications. We explore the degree to which SudokuSens benefits downstream inference tasks in different data sets and discuss conditions under which the approach is particularly effective.
• Abstract（参考訳）: 本稿では,機械学習に基づくIoT(Internet-of-Things)アプリケーションにおけるトレーニングデータの自動生成のための生成フレームワークであるSudokuSensを紹介する。 このフレームワークは、結果のディープラーニングモデルの堅牢性を改善し、データ収集が高価であるIoTアプリケーションを対象としている。 この研究は、IoTの時系列データが観測対象のシグネチャを周囲の環境に固有の性質と、経験した動的環境障害で絡み合わせることに動機づけられている。 そのため、IoTトレーニングデータに十分な多様性を組み込むためには、検討対象数と、そのようなオブジェクトに遭遇する可能性のある環境条件に乗じて、トレーニングケースの組合せ的爆発を考える必要がある。 私たちのフレームワークは、これらの乗法的なトレーニングニーズを大幅に削減します。 対象のシグネチャを環境条件から切り離すために,条件付き変分オートエンコーダ(cvae, conditional variational autoencoder)を用いる。 動的乱れに対する堅牢性を得るために、セッション対応の時間的コントラスト学習アプローチを採る。 前述の2つのアプローチを統合することで、SudokuSensはIoTアプリケーションのディープラーニングの堅牢性を大幅に向上する。 本研究では,SudokuSensが異なるデータセットの下流推論タスクにどのような効果をもたらすかを検討するとともに,アプローチが特に有効である条件について議論する。

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)
• Speech Emotion Recognition under Resource Constraints with Data Distillation [64.36799373890916]
  音声感情認識(SER)は、人間とコンピュータの相互作用において重要な役割を果たす。 モノのインターネットにおけるエッジデバイスの出現は、複雑なディープラーニングモデルを構築する上での課題を示している。 本研究では,IoTアプリケーションにおけるSERモデルの効率的な開発を容易にするためのデータ蒸留フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-21T13:10:46Z)
• Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
  我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。 FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。 実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
  論文  参考訳（メタデータ） (2024-01-22T14:16:37Z)
• Enhancing IoT Security via Automatic Network Traffic Analysis: The Transition from Machine Learning to Deep Learning [0.0]
  この研究は、IoT(Internet of Things)内のタスクに対処する上で、ディープラーニング(DL)が機械学習(ML)を上回る方法を示す比較分析を提供する。 このアプローチでは,さまざまなIoT関連データセットを使用して,DLモデルをトレーニングし,評価する。 実験では、DLが手動で設計した機能に関連する制約を克服し、攻撃検出およびデバイスタイプの識別において同等の結果を維持する能力を示す。
  論文  参考訳（メタデータ） (2023-11-20T16:48:50Z)
• OrcoDCS: An IoT-Edge Orchestrated Online Deep Compressed Sensing Framework [31.95604675656826]
  我々は,IoT-Edgeで編成されたオンライン深部圧縮センシングフレームワークOrcoDCSを提案する。 OrcoDCSは、異なるIoTデバイスグループとそのセンシングタスクに対して、高い柔軟性と適応性を提供する。 我々は、OrcoDCSが訓練時間において最先端のDCDAより優れていることを分析的かつ実証的に示す。
  論文  参考訳（メタデータ） (2023-08-05T04:19:35Z)
• Ensemble Learning based Anomaly Detection for IoT Cybersecurity via Bayesian Hyperparameters Sensitivity Analysis [2.3226893628361682]
  IoT(Internet of Things)は、世界中の何十億ものインテリジェントデバイスを統合し、他の接続デバイスと通信する機能を備えている。 IoTによって収集されたデータには、異常検出のための膨大な情報が含まれている。 本稿では,異常検出によるIoTサイバーセキュリティ向上のためのアンサンブル機械学習手法について検討する。
  論文  参考訳（メタデータ） (2023-07-20T05:23:49Z)
• TRoVE: Transforming Road Scene Datasets into Photorealistic Virtual Environments [84.6017003787244]
  本研究では、シミュレーションデータセットに存在する困難とドメインギャップに対処する合成データ生成パイプラインを提案する。 既存のデータセットからアノテーションや視覚的手がかりを利用すれば、自動マルチモーダルデータ生成が容易になることを示す。
  論文  参考訳（メタデータ） (2022-08-16T20:46:08Z)
• 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)
• Federated Learning for Internet of Things: A Federated Learning Framework for On-device Anomaly Data Detection [10.232121085973782]
  我々は、N-BaIoT、FedDetectアルゴリズム、IoTデバイスのシステム設計を使用した合成データセットを含むFedIoTプラットフォームを構築します。 現実的なIoTデバイス(PI)のネットワークにおいて,FedIoTプラットフォームとFedDetectアルゴリズムをモデルおよびシステムパフォーマンスの両方で評価する。
  論文  参考訳（メタデータ） (2021-06-15T08:53:42Z)
• Learning to Continuously Optimize Wireless Resource in a Dynamic Environment: A Bilevel Optimization Perspective [52.497514255040514]
  この研究は、データ駆動メソッドが動的環境でリソース割り当て戦略を継続的に学び、最適化することを可能にする新しいアプローチを開発しています。 学習モデルが新たなエピソードに段階的に適応できるように、連続学習の概念を無線システム設計に組み込むことを提案する。 我々の設計は、異なるデータサンプルにまたがる公平性を保証する、新しい二段階最適化定式化に基づいている。
  論文  参考訳（メタデータ） (2021-05-03T07:23:39Z)
• Learning to Continuously Optimize Wireless Resource In Episodically Dynamic Environment [55.91291559442884]
  この研究は、データ駆動型手法が動的環境で継続的に学習し、最適化できる方法論を開発する。 本稿では,無線システム学習のモデリングプロセスに連続学習の概念を構築することを提案する。 我々の設計は、異なるデータサンプル間で「一定の公正性を保証する」新しいmin-maxの定式化に基づいている。
  論文  参考訳（メタデータ） (2020-11-16T08:24:34Z)

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。