論文の概要: Can We Enhance the Quality of Mobile Crowdsensing Data Without Ground Truth?
- arxiv url: http://arxiv.org/abs/2405.18725v1
- Date: Wed, 29 May 2024 03:16:12 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-30 18:58:09.608713
- Title: Can We Enhance the Quality of Mobile Crowdsensing Data Without Ground Truth?
- Title（参考訳）: 根拠のないモバイルクラウドセンシングデータの質を高めることは可能か?
- Authors: Jiajie Li, Bo Gu, Shimin Gong, Zhou Su, Mohsen Guizani,
- Abstract要約: モバイル・クラウドセンシング(MCS)は、様々な領域で顕著なトレンドとなっている。
本稿では,予測と評価に基づく真理発見フレームワークを提案する。
センシングタスクにおいて、低品質のデータを高品質のデータから分離することができる。
- 参考スコア（独自算出の注目度）: 45.875832406278214
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Mobile crowdsensing (MCS) has emerged as a prominent trend across various domains. However, ensuring the quality of the sensing data submitted by mobile users (MUs) remains a complex and challenging problem. To address this challenge, an advanced method is required to detect low-quality sensing data and identify malicious MUs that may disrupt the normal operations of an MCS system. Therefore, this article proposes a prediction- and reputation-based truth discovery (PRBTD) framework, which can separate low-quality data from high-quality data in sensing tasks. First, we apply a correlation-focused spatial-temporal transformer network to predict the ground truth of the input sensing data. Then, we extract the sensing errors of the data as features based on the prediction results to calculate the implications among the data. Finally, we design a reputation-based truth discovery (TD) module for identifying low-quality data with their implications. Given sensing data submitted by MUs, PRBTD can eliminate the data with heavy noise and identify malicious MUs with high accuracy. Extensive experimental results demonstrate that PRBTD outperforms the existing methods in terms of identification accuracy and data quality enhancement.
- Abstract（参考訳）: モバイル・クラウドセンシング(MCS)は、様々な領域で顕著なトレンドとなっている。
しかし、モバイルユーザ(MU)が送信したセンシングデータの質を保証することは、依然として複雑で困難な問題である。
この課題に対処するためには、低品質なセンシングデータを検出し、MCSシステムの正常な操作を妨害する可能性のある悪意のあるMUを特定するための高度な手法が必要である。
そこで本稿では,低品質データを高品質データからセンシングタスクで分離可能なPRBTD(Predict- and reputation-based truth discovery)フレームワークを提案する。
まず、相関に着目した時空間変換ネットワークを用いて、入力センシングデータの基礎的真実を予測する。
そして、予測結果に基づいて特徴としてデータの検知誤差を抽出し、データ間の影響を計算する。
最後に、評価に基づく真理探索(TD)モジュールを設計し、低品質なデータとその意味を識別する。
MUが送信したセンシングデータを考えると、PRBTDは重いノイズでデータを排除し、悪意のあるMUを高精度に識別することができる。
PRBTDは同定精度とデータ品質向上の点で既存の手法よりも優れていた。
関連論文リスト
- Surprisingly Fragile: Assessing and Addressing Prompt Instability in Multimodal Foundation Models [1.9001431325800364]
OFASysのようなマルチモーダル基礎モデル(MFM)は、テキストプロンプトだけで複雑なデータの解析をアンロックする可能性を示している。
彼らのパフォーマンスは、トレーニング分布と若干異なるテキスト入力に直面している場合があります。
本研究は, 即時不安定性はMFMにとって大きな関心事であり, 全てのモダリティに対して一貫した性能低下をもたらすことを示した。
論文 参考訳（メタデータ） (2024-08-26T19:26:55Z) - PUMA: margin-based data pruning [51.12154122266251]
モデル分類境界からの距離(すなわちマージン)に基づいて、いくつかのトレーニングサンプルを除去するデータプルーニングに焦点を当てる。
我々は,DeepFoolを用いてマージンを算出する新しいデータプルーニング戦略PUMAを提案する。
PUMAは,現状の最先端手法であるロバスト性の上に利用でき,既存のデータプルーニング戦略と異なり,モデル性能を著しく向上させることができることを示す。
論文 参考訳（メタデータ） (2024-05-10T08:02:20Z) - Machine Learning Force Fields with Data Cost Aware Training [94.78998399180519]
分子動力学(MD)シミュレーションを加速するために機械学習力場(MLFF)が提案されている。
最もデータ効率のよいMLFFであっても、化学精度に達するには数百フレームの力とエネルギーのラベルが必要になる。
我々は、安価な不正確なデータと高価な正確なデータの組み合わせを利用して、MLFFのデータコストを下げる多段階計算フレームワークASTEROIDを提案する。
論文 参考訳（メタデータ） (2023-06-05T04:34:54Z) - MAPS: A Noise-Robust Progressive Learning Approach for Source-Free
Domain Adaptive Keypoint Detection [76.97324120775475]
クロスドメインキーポイント検出方法は、常に適応中にソースデータにアクセスする必要がある。
本稿では、ターゲット領域に十分に訓練されたソースモデルのみを提供する、ソースフリーなドメイン適応キーポイント検出について考察する。
論文 参考訳（メタデータ） (2023-02-09T12:06:08Z) - Augmenting Softmax Information for Selective Classification with
Out-of-Distribution Data [7.221206118679026]
既存のポストホック法はOOD検出でのみ評価した場合とは大きく異なる性能を示す。
本稿では,特徴に依存しない情報を用いて,ソフトマックスに基づく信頼度を向上するSCOD(Softmax Information Retaining Combination, SIRC)の新たな手法を提案する。
多様なImageNetスケールのデータセットと畳み込みニューラルネットワークアーキテクチャの実験は、SIRCがSCODのベースラインを一貫して一致または上回っていることを示している。
論文 参考訳（メタデータ） (2022-07-15T14:39:57Z) - Incorporating Semi-Supervised and Positive-Unlabeled Learning for
Boosting Full Reference Image Quality Assessment [73.61888777504377]
フル参照(FR)画像品質評価(IQA)は、その知覚的差異をプリズム品質基準で測定することにより、歪み画像の視覚的品質を評価する。
ラベルなしデータは、画像劣化または復元プロセスから容易に収集することができ、ラベルなしのトレーニングデータを利用してFR-IQA性能を高めることを奨励する。
本稿では, 半教師付き, 正の未ラベル学習(PU)を用いて, ラベルなしデータを活用し, オフレーヤの悪影響を軽減することを提案する。
論文 参考訳（メタデータ） (2022-04-19T09:10:06Z) - Robust Event Classification Using Imperfect Real-world PMU Data [58.26737360525643]
本研究では,不完全な実世界のファサー計測単位(PMU)データを用いて,ロバストな事象分類について検討する。
我々は、堅牢なイベント分類器を訓練するための新しい機械学習フレームワークを開発する。
論文 参考訳（メタデータ） (2021-10-19T17:41:43Z) - Data Profiling for Adversarial Training: On the Ruin of Problematic Data [27.11328449349065]
相手のトレーニングの問題は、堅牢な精度のトレードオフ、堅牢なオーバーフィッティング、グラデーションマスキングです。
これらの問題は、データセットの低品質サンプルという共通の原因を共有していることを示しています。
問題のあるデータが削除されると、ロバストなオーバーフィッティングと勾配マスキングがほとんど緩和される。
論文 参考訳（メタデータ） (2021-02-15T10:17:24Z) - A Unified Plug-and-Play Framework for Effective Data Denoising and
Robust Abstention [4.200576272300216]
基礎となるデータ密度を利用した統合フィルタリングフレームワークを提案する。
我々のフレームワークは、トレーニングデータを効果的にデノベートし、不確実なテストデータポイントの予測を避けることができる。
論文 参考訳（メタデータ） (2020-09-25T04:18:08Z) - On the Role of Dataset Quality and Heterogeneity in Model Confidence [27.657631193015252]
安全クリティカルなアプリケーションは、正確で校正された確率を出力する機械学習モデルを必要とする。
未分類のディープネットワークは、過度に信頼された予測をすることが知られている。
本研究では,データセットサイズとラベルノイズがモデルの信頼性に与える影響について検討した。
論文 参考訳（メタデータ） (2020-02-23T05:13:12Z)
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。