Fugu-MT 論文翻訳(概要): A Unified Deep Transfer Learning Model for Accurate IoT Localization in Diverse Environments

論文の概要: A Unified Deep Transfer Learning Model for Accurate IoT Localization in Diverse Environments

arxiv url: http://arxiv.org/abs/2405.09960v1
Date: Thu, 16 May 2024 10:07:59 GMT
ステータス: 処理完了
システム内更新日: 2024-05-17 14:41:47.978456
Title: A Unified Deep Transfer Learning Model for Accurate IoT Localization in Diverse Environments
Title（参考訳）: 多様な環境におけるIoTの正確な位置推定のための統合型深層移動学習モデル
Authors: Abdullahi Isa Ahmed, Yaya Etiabi, Ali Waqar Azim, El Mehdi Amhoud,
Abstract要約: 本稿では,モノのインターネットのための屋内・屋外の統一型ローカライズソリューションを提案する。このモデルは、多様な環境におけるIoTデバイスのローカライゼーションを正確に予測する。エンコーダベースのTL方式を採用することで、屋内環境では17.18%、屋外環境では9.79%のベースラインモデルを改善することができる。
参考スコア（独自算出の注目度）: 0.9749638953163389
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Internet of Things (IoT) is an ever-evolving technological paradigm that is reshaping industries and societies globally. Real-time data collection, analysis, and decision-making facilitated by localization solutions form the foundation for location-based services, enabling them to support critical functions within diverse IoT ecosystems. However, most existing works on localization focus on single environment, resulting in the development of multiple models to support multiple environments. In the context of smart cities, these raise costs and complexity due to the dynamicity of such environments. To address these challenges, this paper presents a unified indoor-outdoor localization solution that leverages transfer learning (TL) schemes to build a single deep learning model. The model accurately predicts the localization of IoT devices in diverse environments. The performance evaluation shows that by adopting an encoder-based TL scheme, we can improve the baseline model by about 17.18% in indoor environments and 9.79% in outdoor environments.
Abstract（参考訳）: IoT(Internet of Things)は,産業や社会を世界規模で変革する,進化を続ける技術パラダイムです。ローカライゼーションソリューションによって促進されるリアルタイムデータ収集、分析、意思決定は、ロケーションベースのサービスの基盤を形成し、さまざまなIoTエコシステム内で重要な機能をサポートすることができる。しかし、ローカライゼーションに関する既存の研究のほとんどは単一環境に焦点を当てており、複数の環境をサポートする複数のモデルの開発につながっている。スマートシティの文脈では、こうした環境の動的さにより、コストと複雑さが上昇する。これらの課題に対処するために,1つの深層学習モデルを構築するためにトランスファーラーニング(TL)方式を利用する,屋内・屋外の統一型ローカライズソリューションを提案する。このモデルは、多様な環境におけるIoTデバイスのローカライゼーションを正確に予測する。性能評価の結果,エンコーダをベースとしたTL方式を用いることで,屋内環境では17.18%,屋外環境では9.79%のベースラインモデルを改善することができることがわかった。

関連論文リスト

Robust Indoor Localization in Dynamic Environments: A Multi-source Unsupervised Domain Adaptation Framework [0.4683612295430956]
DF-Locはマルチソース非教師付きドメイン適応(MUDA)に基づくエンドツーエンド動的指紋位置決めシステムであるこのシステムは、CSIデータ前処理のための品質制御(QC)モジュールを搭載し、CSI指紋特徴再構成のための画像処理技術を採用している。オフィスおよび教室環境における大規模実験により,DF-Locは,局部化精度とロバスト性の両方の観点から比較手法に優れていた。
論文参考訳（メタデータ） (2025-02-11T04:29:22Z)
Trajectory World Models for Heterogeneous Environments [67.27233466954814]
環境を横断するセンサーやアクチュエータの不均一性は、大規模な事前訓練された世界モデルを構築する上で大きな課題となる。我々は80の環境から100万以上のトラジェクトリからなる統一データセットUniTrajを紹介した。本稿では,様々なセンサやアクチュエータ情報を柔軟に処理し,環境ダイナミクスをコンテキスト内で捉えることのできる,新しいアーキテクチャであるTrajWorldを提案する。
論文参考訳（メタデータ） (2025-02-03T13:59:08Z)
Multi-Stream Cellular Test-Time Adaptation of Real-Time Models Evolving in Dynamic Environments [53.79708667153109]
スマートオブジェクト、特に自動運転車は、限られたリソースのために重要なローカル計算の課題に直面している。そこで本研究では,モデルがハエに適応し,動的環境をセルに分割する,新しいマルチストリームセルラーテスト時間適応方式を提案する。我々は、位置と天候条件に基づいて定義された細胞を横断する自動運転車の文脈で、我々の方法論を検証する。
論文参考訳（メタデータ） (2024-04-27T15:00:57Z)
Machine Learning-based Positioning using Multivariate Time Series Classification for Factory Environments [0.0]
最先端のソリューションは外部インフラストラクチャに大きく依存しており、潜在的なプライバシー侵害にさらされている。機械学習(ML)の最近の進歩は、IoTデバイスのオンボードセンサーのデータのみに依存する、これらの制限に対処するソリューションを提供する。本稿では,移動体をプライバシ関連工場環境に局在させるため,モーションセンサと環境センサを用いた機械学習による屋内位置決めシステムを提案する。
論文参考訳（メタデータ） (2023-08-22T10:07:19Z)
A Meta-learning based Generalizable Indoor Localization Model using Channel State Information [8.302375673936387]
本稿では,データセットが制限された場合の一般化性の向上を目的としたメタ学習アルゴリズムTB-MAMLを提案する。 TB-MAMLに基づくローカライゼーションモデルと,他のメタ学習アルゴリズムを用いたローカライゼーションの性能評価を行った。
論文参考訳（メタデータ） (2023-05-22T19:54:59Z)
Multi-Edge Server-Assisted Dynamic Federated Learning with an Optimized Floating Aggregation Point [51.47520726446029]
協調エッジ学習(CE-FL)は、分散機械学習アーキテクチャである。 CE-FLの過程をモデル化し,分析訓練を行った。実世界のテストベッドから収集したデータを用いて,本フレームワークの有効性を示す。
論文参考訳（メタデータ） (2022-03-26T00:41:57Z)
Parallel Successive Learning for Dynamic Distributed Model Training over Heterogeneous Wireless Networks [50.68446003616802]
フェデレートラーニング(Federated Learning, FedL)は、一連の無線デバイスにモデルトレーニングを配布する一般的なテクニックとして登場した。我々は,FedLアーキテクチャを3次元に拡張した並列逐次学習(PSL)を開発した。我々の分析は、分散機械学習におけるコールド対ウォームアップモデルの概念とモデル慣性について光を当てている。
論文参考訳（メタデータ） (2022-02-07T05:11:01Z)
Hierarchical Multi-Building And Multi-Floor Indoor Localization Based On Recurrent Neural Networks [2.0305676256390934]
Wi-Fiフィンガープリントを用いたリカレントニューラルネットワーク(RNN)に基づく階層型マルチビルディングとマルチフロア屋内ローカライゼーションを提案する。提案手法は建物と床をそれぞれ100%と95.24%の精度で推定し、三次元位置決め誤差は8.62mである。
論文参考訳（メタデータ） (2021-12-23T11:56:31Z)
Towards a Federated Learning Framework for Heterogeneous Devices of Internet of Things [0.30458514384586394]
フェデレートラーニング(FL)は、業界や研究コミュニティでかなりの注目を集めている。本稿では,IoTデバイスの不均一性を対象とするFLフレームワークを提案する。我々は,IoT対応FLの設計を容易にするための予備実験を行った。
論文参考訳（メタデータ） (2021-05-31T02:08:36Z)
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。