論文の概要: Conditional Gumbel-Softmax for constrained feature selection with application to node selection in wireless sensor networks
- arxiv url: http://arxiv.org/abs/2406.01162v1
- Date: Mon, 3 Jun 2024 09:55:56 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-06 01:38:29.322845
- Title: Conditional Gumbel-Softmax for constrained feature selection with application to node selection in wireless sensor networks
- Title（参考訳）: 制約付き特徴選択のための条件付きGumbel-Softmaxと無線センサネットワークにおけるノード選択への応用
- Authors: Thomas Strypsteen, Alexander Bertrand,
- Abstract要約: 本研究では,与えられたタスクに対して最適なサブセットをエンドツーエンドに学習する手法として,Conditional Gumbel-Softmaxを導入する。
本稿では,無線センサネットワークを構成するタスク最適ノードの選択に,このアプローチをどのように利用できるかを示す。
- 参考スコア（独自算出の注目度）: 48.536059764418454
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we introduce Conditional Gumbel-Softmax as a method to perform end-to-end learning of the optimal feature subset for a given task and deep neural network (DNN) model, while adhering to certain pairwise constraints between the features. We do this by conditioning the selection of each feature in the subset on another feature. We demonstrate how this approach can be used to select the task-optimal nodes composing a wireless sensor network (WSN) while ensuring that none of the nodes that require communication between one another have too large of a distance between them, limiting the required power spent on this communication. We validate this approach on an emulated Wireless Electroencephalography (EEG) Sensor Network (WESN) solving a motor execution task. We analyze how the performance of the WESN varies as the constraints are made more stringent and how well the Conditional Gumbel-Softmax performs in comparison with a heuristic, greedy selection method. While the application focus of this paper is on wearable brain-computer interfaces, the proposed methodology is generic and can readily be applied to node deployment in wireless sensor networks and constrained feature selection in other applications as well.
- Abstract（参考訳）: 本稿では,与えられたタスクとディープニューラルネットワーク(DNN)モデルに対する最適な特徴部分集合のエンドツーエンド学習を行う手法として,条件付きGumbel-Softmaxを導入する。
これは、サブセット内の各機能の選択を他の機能に条件付けすることで行います。
本稿では,無線センサネットワーク(WSN)を構成するタスク最適ノードの選択に,無線センサ間の通信を必要とするノードが互いに距離が大きすぎることを保証するとともに,通信に要する電力を制限するために,このアプローチをどのように利用できるかを実証する。
本手法は,運動実行タスクを解くためのEmulated Wireless Electroencephalography (EEG) Sensor Network (WESN)上で検証する。
本研究では,制約がより厳密になるにつれてWESNの性能がどう変化するか,条件付きGumbel-Softmaxがヒューリスティックで欲求的な選択法と比較した場合の精度について分析する。
本稿では,ウェアラブル脳-コンピュータインタフェースに焦点をあてるが,提案手法は汎用的であり,無線センサネットワークにおけるノード配置や,他のアプリケーションにおける制約付き特徴選択にも容易に適用できる。
関連論文リスト
- Unveiling the Power of Sparse Neural Networks for Feature Selection [60.50319755984697]
スパースニューラルネットワーク(SNN)は、効率的な特徴選択のための強力なツールとして登場した。
動的スパーストレーニング(DST)アルゴリズムで訓練されたSNNは、平均して50%以上のメモリと55%以上のFLOPを削減できることを示す。
以上の結果から,DSTアルゴリズムで訓練したSNNによる特徴選択は,平均して50ドル以上のメモリと55%のFLOPを削減できることがわかった。
論文 参考訳（メタデータ） (2024-08-08T16:48:33Z) - Sensor Selection via GFlowNets: A Deep Generative Modeling Framework to Navigate Combinatorial Complexity [3.255315368019651]
この作業は、一般的なQuality-of-Serviceメトリックを最適化するために、$m$のセットから$k$のセンサー要素を選択するという課題に対処する。
すべての$binommk$のセンサーサブセットを評価することは現実的ではなく、凸緩和、欲求アルゴリズム、教師付き学習アプローチを使った事前ソリューションにつながる。
論文 参考訳（メタデータ） (2024-07-29T06:56:57Z) - Reinforcement Learning for Node Selection in Branch-and-Bound [52.2648997215667]
現在の最先端セレクタは手作りのアンサンブルを使用して、ナイーブなサブノードセレクタと、個々のノードデータに依存する学習ノードセレクタを自動的に切り替える。
孤立ノードではなく木の状態全体を考慮しながら強化学習(RL)を用いる新しいシミュレーション手法を提案する。
論文 参考訳（メタデータ） (2023-09-29T19:55:56Z) - 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) - Graph Neural Networks-Based User Pairing in Wireless Communication
Systems [0.34410212782758043]
ユーザペアリング問題を効率的に解くために,教師なしグラフニューラルネットワーク(GNN)アプローチを提案する。
提案手法は20dBのSNRにおいて,k平均よりも49%,SUSより95%高い総和率を達成する。
論文 参考訳（メタデータ） (2023-05-14T11:57:42Z) - Graph Neural Networks for Power Allocation in Wireless Networks with
Full Duplex Nodes [10.150768420975155]
ユーザ間の相互干渉のため、無線ネットワークにおける電力割り当て問題はしばしば自明ではない。
グラフグラフニューラルネットワーク(GNN)は、これらの問題に対処するための有望なアプローチとして最近登場し、無線ネットワークの基盤となるトポロジを活用するアプローチである。
論文 参考訳（メタデータ） (2023-03-27T10:59:09Z) - Bandwidth-efficient distributed neural network architectures with
application to body sensor networks [73.02174868813475]
本稿では,分散ニューラルネットワークアーキテクチャを設計するための概念設計手法について述べる。
提案手法により,損失を最小限に抑えつつ,最大20倍の帯域幅削減が可能となることを示す。
本稿では,ウェアラブル脳-コンピュータインタフェースに焦点をあてるが,他のセンサネットワークアプリケーションにも適用できる。
論文 参考訳（メタデータ） (2022-10-14T12:35:32Z) - Dynamic Network selection for the Object Detection task: why it matters
and what we (didn't) achieve [1.8467344387137519]
本稿では,Deep Neural Networkコンテキストにおける推論プロセスに対する動的自動チューニング手法の潜在的な利点を示す。
我々は、よく知られたCOCO 17データベースの最適検出器を見つけるために、異なるニューラルネットワークをベンチマークした。
論文 参考訳（メタデータ） (2021-05-27T16:25:18Z) - Data-Driven Random Access Optimization in Multi-Cell IoT Networks with
NOMA [78.60275748518589]
非直交多重アクセス(NOMA)は、5Gネットワーク以降で大規模なマシンタイプ通信(mMTC)を可能にする重要な技術です。
本稿では,高密度空間分散マルチセル無線IoTネットワークにおけるランダムアクセス効率向上のために,NOMAを適用した。
ユーザ期待容量の幾何学的平均を最大化するために,各IoTデバイスの伝送確率を調整したランダムチャネルアクセス管理の新たな定式化を提案する。
論文 参考訳（メタデータ） (2021-01-02T15:21:08Z)
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。