論文の概要: Compressed Sensor Caching and Collaborative Sparse Data Recovery with Anchor Alignment
- arxiv url: http://arxiv.org/abs/2406.10137v1
- Date: Fri, 14 Jun 2024 15:47:13 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-17 12:56:41.109246
- Title: Compressed Sensor Caching and Collaborative Sparse Data Recovery with Anchor Alignment
- Title（参考訳）: アンカーアライメントを用いた圧縮型センサキャッシングと協調スパースデータ復元
- Authors: Yi-Jen Yang, Ming-Hsun Yang, Jwo-Yuh Wu, Y. -W. Peter Hong,
- Abstract要約: 本研究では,無線センサネットワークにおける圧縮センサキャッシング問題について検討する。
複数のキャッシュ間の協調を可能にするために,効率的な分散スパースデータリカバリアルゴリズムを考案した。
組込みオートエンコーダによりメッセージ交換をより効率的に行うグラフニューラルネットワークアーキテクチャを得る。
- 参考スコア（独自算出の注目度）: 13.180761892449736
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This work examines the compressed sensor caching problem in wireless sensor networks and devises efficient distributed sparse data recovery algorithms to enable collaboration among multiple caches. In this problem, each cache is only allowed to access measurements from a small subset of sensors within its vicinity to reduce both cache size and data acquisition overhead. To enable reliable data recovery with limited access to measurements, we propose a distributed sparse data recovery method, called the collaborative sparse recovery by anchor alignment (CoSR-AA) algorithm, where collaboration among caches is enabled by aligning their locally recovered data at a few anchor nodes. The proposed algorithm is based on the consensus alternating direction method of multipliers (ADMM) algorithm but with message exchange that is reduced by considering the proposed anchor alignment strategy. Then, by the deep unfolding of the ADMM iterations, we further propose the Deep CoSR-AA algorithm that can be used to significantly reduce the number of iterations. We obtain a graph neural network architecture where message exchange is done more efficiently by an embedded autoencoder. Simulations are provided to demonstrate the effectiveness of the proposed collaborative recovery algorithms in terms of the improved reconstruction quality and the reduced communication overhead due to anchor alignment.
- Abstract（参考訳）: 本研究は、無線センサネットワークにおける圧縮センサキャッシュ問題を調べ、複数のキャッシュ間の協調を可能にする効率的な分散スパースデータリカバリアルゴリズムを考案する。
この問題では、キャッシュサイズとデータ取得オーバーヘッドの両方を削減するために、各キャッシュは、周辺にある少数のセンサーからの計測にのみアクセスすることができる。
本研究では, アンカーアライメント(CoSR-AA)アルゴリズムを用いて, 局所的に取得したデータをいくつかのアンカーノードにアライメントすることで, キャッシュ間の協調を可能にする分散スパースデータリカバリ手法を提案する。
提案アルゴリズムは、乗算器アルゴリズム(ADMM)のコンセンサス交互方向法に基づくが、提案したアンカーアライメント戦略を考慮すれば、メッセージ交換を低減できる。
次に,ADMMイテレーションの深部展開により,繰り返し回数を大幅に削減できるDeep CoSR-AAアルゴリズムを提案する。
組込みオートエンコーダによりメッセージ交換をより効率的に行うグラフニューラルネットワークアーキテクチャを得る。
提案手法の有効性を再現性の向上とアンカーアライメントによる通信オーバーヘッド低減の観点から検証した。
関連論文リスト
- Digital Twin-Assisted Data-Driven Optimization for Reliable Edge Caching in Wireless Networks [60.54852710216738]
我々はD-RECと呼ばれる新しいデジタルツインアシスト最適化フレームワークを導入し、次世代無線ネットワークにおける信頼性の高いキャッシュを実現する。
信頼性モジュールを制約付き決定プロセスに組み込むことで、D-RECは、有利な制約に従うために、アクション、報酬、状態を適応的に調整することができる。
論文 参考訳（メタデータ） (2024-06-29T02:40:28Z) - Collaborative Edge AI Inference over Cloud-RAN [37.3710464868215]
クラウド無線アクセスネットワーク(Cloud-RAN)ベースの協調エッジAI推論アーキテクチャを提案する。
具体的には、地理的に分散したデバイスが、リアルタイムのノイズ破壊センサデータサンプルをキャプチャし、ノイズの多い局所特徴ベクトルを抽出する。
我々は,各RRHが同一リソースブロック上の全デバイスから局所的特徴ベクトルを同時に受信することを可能にする。
これらの集約された特徴ベクトルは量子化され、さらに集約および下流推論タスクのために中央プロセッサに送信される。
論文 参考訳（メタデータ） (2024-04-09T04:26:16Z) - Wireless Federated $k$-Means Clustering with Non-coherent Over-the-Air
Computation [14.087062902871212]
OACスキームは、バランスの取れた数系における数値の表現を利用するエンコーダに依存している。
非効率なセンチロイドの再初期化法を提案し、不均一なデータ分散のための提案手法の性能を向上させる。
論文 参考訳（メタデータ） (2023-08-11T20:12:26Z) - Communication-Efficient Adam-Type Algorithms for Distributed Data Mining [93.50424502011626]
我々はスケッチを利用した新しい分散Adam型アルゴリズムのクラス(例:SketchedAMSGrad)を提案する。
我々の新しいアルゴリズムは、反復毎に$O(frac1sqrtnT + frac1(k/d)2 T)$の高速収束率を$O(k log(d))$の通信コストで達成する。
論文 参考訳（メタデータ） (2022-10-14T01:42:05Z) - Learnable Mixed-precision and Dimension Reduction Co-design for
Low-storage Activation [9.838135675969026]
深層畳み込みニューラルネットワーク(CNN)は多くの眼球運動の結果を得た。
リソース制約のあるエッジデバイスにCNNをデプロイすることは、推論中に大きな中間データを送信するためのメモリ帯域幅の制限によって制限される。
チャネルをグループに分割し,その重要度に応じて圧縮ポリシーを割り当てる,学習可能な混合精度・次元縮小協調設計システムを提案する。
論文 参考訳（メタデータ） (2022-07-16T12:53:52Z) - Representative period selection for power system planning using
autoencoder-based dimensionality reduction [0.0]
クラスタリングの前に、ニューラルネットワークベースのオートエンコーダによって達成される次元の削減。
RPS法の一部として次元減少を取り入れた影響は、対応する縮小空間CEMと全空間CEMの誤差によって定量化される。
論文 参考訳（メタデータ） (2022-04-28T16:08:06Z) - Accelerating Deep Learning Classification with Error-controlled
Approximate-key Caching [72.50506500576746]
我々は、近似キーキャッシングと名付けた新しいキャッシングパラダイムを提案する。
近似キャッシュはDL推論の負荷を軽減し、システムのスループットを向上するが、近似誤差を導入する。
我々は古典的なLRUと理想的なキャッシュのキャッシュシステム性能を解析的にモデル化し、期待される性能のトレース駆動評価を行い、提案手法の利点を最先端の類似キャッシュと比較した。
論文 参考訳（メタデータ） (2021-12-13T13:49:11Z) - SreaMRAK a Streaming Multi-Resolution Adaptive Kernel Algorithm [60.61943386819384]
既存のKRRの実装では、すべてのデータがメインメモリに格納される必要がある。
KRRのストリーミング版であるStreaMRAKを提案する。
本稿では,2つの合成問題と2重振り子の軌道予測について紹介する。
論文 参考訳（メタデータ） (2021-08-23T21:03:09Z) - Solving Sparse Linear Inverse Problems in Communication Systems: A Deep
Learning Approach With Adaptive Depth [51.40441097625201]
疎信号回復問題に対するエンドツーエンドの訓練可能なディープラーニングアーキテクチャを提案する。
提案手法は,出力するレイヤ数を学習し,各タスクのネットワーク深さを推論フェーズで動的に調整する。
論文 参考訳（メタデータ） (2020-10-29T06:32:53Z) - Bayesian Optimization with Machine Learning Algorithms Towards Anomaly
Detection [66.05992706105224]
本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。
ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。
実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
論文 参考訳（メタデータ） (2020-08-05T19:29:35Z) - Overlap Local-SGD: An Algorithmic Approach to Hide Communication Delays
in Distributed SGD [32.03967072200476]
We propose a algorithmic approach named OverlapLocal-Local-Local-SGD (Local momentum variant)。
各ノードにアンカーモデルを追加することでこれを実現する。
複数のローカルアップデートの後、ローカルにトレーニングされたモデルは、他の人と通信するのではなく、アンカーモデルへと引き戻される。
論文 参考訳（メタデータ） (2020-02-21T20:33:49Z)
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。