論文の概要: Sensor Selection via GFlowNets: A Deep Generative Modeling Framework to Navigate Combinatorial Complexity
- arxiv url: http://arxiv.org/abs/2407.19736v1
- Date: Mon, 29 Jul 2024 06:56:57 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-30 14:56:26.210330
- Title: Sensor Selection via GFlowNets: A Deep Generative Modeling Framework to Navigate Combinatorial Complexity
- Title（参考訳）: GFlowNetsによるセンサ選択: コンビネーションの複雑さをナビゲートする深層生成モデリングフレームワーク
- Authors: Spilios Evmorfos, Zhaoyi Xu, Athina Petropulu,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 3.255315368019651
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The performance of sensor arrays in sensing and wireless communications improves with more elements, but this comes at the cost of increased energy consumption and hardware expense. This work addresses the challenge of selecting $k$ sensor elements from a set of $m$ to optimize a generic Quality-of-Service metric. Evaluating all $\binom{m}{k}$ possible sensor subsets is impractical, leading to prior solutions using convex relaxations, greedy algorithms, and supervised learning approaches. The current paper proposes a new framework that employs deep generative modeling, treating sensor selection as a deterministic Markov Decision Process where sensor subsets of size $k$ arise as terminal states. Generative Flow Networks (GFlowNets) are employed to model an action distribution conditioned on the state. Sampling actions from the aforementioned distribution ensures that the probability of arriving at a terminal state is proportional to the performance of the corresponding subset. Applied to a standard sensor selection scenario, the developed approach outperforms popular methods which are based on convex optimization and greedy algorithms. Finally, a multiobjective formulation of the proposed approach is adopted and applied on the sparse antenna array design for Integrated Sensing and Communication (ISAC) systems. The multiobjective variation is shown to perform well in managing the trade-off between radar and communication performance.
- Abstract（参考訳）: センシングや無線通信におけるセンサアレイの性能は、より多くの要素で向上するが、これはエネルギー消費とハードウェアコストの増大によるものである。
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$\binom{m}{k}$のセンサー部分集合を評価することは現実的ではなく、凸緩和、欲求的アルゴリズム、教師あり学習アプローチを使った事前解につながる。
本論文は,センサ選択を決定論的マルコフ決定プロセスとして扱い,センササブセットが終端状態として生じる,深部生成モデルを用いた新しいフレームワークを提案する。
生成フローネットワーク(GFlowNets)は、状態に条件付きアクション分散をモデル化するために使用される。
上記の分布からアクションをサンプリングすることで、端末状態に到達する確率が対応するサブセットのパフォーマンスに比例することを保証する。
標準的なセンサ選択シナリオに適用し,凸最適化とグレディアルゴリズムに基づく一般的な手法より優れた手法を提案する。
最後に,提案手法の多目的定式化を,統合センシング通信(ISAC)システムのためのスパースアンテナアレイ設計に適用した。
多目的変動は,レーダと通信性能のトレードオフ管理において良好に機能することを示す。
関連論文リスト
- Deep Optimal Sensor Placement for Black Box Stochastic Simulations [1.638332186726632]
本稿では, 入力パラメータに対する結合分布と, 結合エネルギーモデルを用いた解を提案する。
提案手法は,従来の手法に比べて計算コストの低い高精度なセンサ位置を提供することを示す。
論文 参考訳（メタデータ） (2024-10-15T20:10:25Z) - Conditional Gumbel-Softmax for constrained feature selection with application to node selection in wireless sensor networks [48.536059764418454]
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。
論文 参考訳（メタデータ） (2024-06-03T09:55:56Z) - 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) - Task-Oriented Over-the-Air Computation for Multi-Device Edge AI [57.50247872182593]
エッジAIをサポートするための6Gネットワークは、AIタスクの効率的かつ効率的な実行に焦点を当てたタスク指向のテクニックを備えている。
本稿では,マルチデバイススプリット推論システムにおけるタスク指向オーバー・ザ・エア計算(AirComp)方式を提案する。
論文 参考訳（メタデータ） (2022-11-02T16:35:14Z) - Balancing the trade-off between cost and reliability for wireless sensor
networks: a multi-objective optimized deployment method [4.031433260365659]
実用無線センサネットワーク(WSN)の最適配置法を提案する。
我々は競合多目的最適化アルゴリズム(CMOMPA)として知られる新しい多目的最適化アルゴリズムを開発した。
その結果、最適化されたデプロイメントは、デプロイメントコスト、感度信頼性、ネットワーク信頼性のトレードオフのバランスをとることができることがわかった。
論文 参考訳（メタデータ） (2022-07-19T05:53:55Z) - Task-Oriented Sensing, Computation, and Communication Integration for
Multi-Device Edge AI [108.08079323459822]
本稿では,AIモデルの分割推論と統合センシング通信(ISAC)を併用した,新しいマルチインテリジェントエッジ人工レイテンシ(AI)システムについて検討する。
推定精度は近似的だが抽出可能な計量、すなわち判別利得を用いて測定する。
論文 参考訳（メタデータ） (2022-07-03T06:57:07Z) - SADet: Learning An Efficient and Accurate Pedestrian Detector [68.66857832440897]
本稿では,一段検出器の検出パイプラインに対する一連の最適化手法を提案する。
効率的な歩行者検出のための単発アンカーベース検出器(SADet)を形成する。
構造的には単純だが、VGA解像度の画像に対して最先端の結果と20ドルFPSのリアルタイム速度を示す。
論文 参考訳（メタデータ） (2020-07-26T12:32:38Z) - Learning a Probabilistic Strategy for Computational Imaging Sensor
Selection [16.553234762932938]
本稿では,センサ設計のための確率的センササンプリング戦略を学習する物理制約付き,完全微分可能なオートエンコーダを提案する。
提案手法は,センサ選択の相関関係を2次完全接続型Isingモデルとして特徴付ける,システムに好まれるサンプリング分布を学習する。
論文 参考訳（メタデータ） (2020-03-23T17:52:17Z) - Deep Soft Procrustes for Markerless Volumetric Sensor Alignment [81.13055566952221]
本研究では、より堅牢なマルチセンサ空間アライメントを実現するために、マーカーレスデータ駆動対応推定を改善する。
我々は、幾何学的制約を終末的に典型的なセグメンテーションベースモデルに組み込み、対象のポーズ推定タスクと中間密な分類タスクをブリッジする。
実験により,マーカーベースの手法で同様の結果が得られ,マーカーレス手法よりも優れ,またキャリブレーション構造のポーズ変動にも頑健であることがわかった。
論文 参考訳（メタデータ） (2020-03-23T10:51:32Z)
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。