Fugu-MT 論文翻訳(概要): Terracorder: Sense Long and Prosper

論文の概要: Terracorder: Sense Long and Prosper

arxiv url: http://arxiv.org/abs/2408.02407v3
Date: Thu, 14 Nov 2024 14:26:42 GMT
ステータス: 翻訳完了
システム内更新日: 2024-11-15 15:21:55.560672
Title: Terracorder: Sense Long and Prosper
Title（参考訳）: Terracorder: Sense Long and Prosper
Authors: Josh Millar, Sarab Sethi, Hamed Haddadi, Anil Madhavapeddy,
Abstract要約: In-situSensorデバイスは、長期間にわたってリモート環境にデプロイする必要がある。 Terracorderは多機能なマルチセンサーデバイスである。デバイス上での強化学習スケジューラを用いて、非常に低消費電力の電力を実演する。
参考スコア（独自算出の注目度）: 5.5154207539530065
License:
Abstract: In-situ sensing devices need to be deployed in remote environments for long periods of time; minimizing their power consumption is vital for maximising both their operational lifetime and coverage. We introduce Terracorder -- a versatile multi-sensor device -- and showcase its exceptionally low power consumption using an on-device reinforcement learning scheduler. We prototype a unique device setup for biodiversity monitoring and compare its battery life using our scheduler against a number of fixed schedules; the scheduler captures more than 80% of events at less than 50% of the number of activations of the best-performing fixed schedule. We then explore how a collaborative scheduler can maximise the useful operation of a network of devices, improving overall network power consumption and robustness.
Abstract（参考訳）: インサイトセンシングデバイスは、長期にわたってリモート環境にデプロイする必要がある。その運用寿命とカバレッジの両方を最大化する上で、消費電力を最小限に抑えることが不可欠である。多様なマルチセンサーデバイスであるTerracorderを導入し、デバイス上の強化学習スケジューラを用いて、非常に低消費電力の電力を実演する。我々は,生物多様性監視のためのユニークな装置を試作し,スケジューラを用いたバッテリ寿命を,いくつかの固定スケジュールと比較した。次に、協調スケジューラがデバイスのネットワークの有用な操作を最大化し、ネットワークの電力消費とロバスト性を改善する方法について検討する。

関連論文リスト

UbiHR: Resource-efficient Long-range Heart Rate Sensing on Ubiquitous Devices [9.971578670060564]
ユビキタスデバイスを用いた心拍センサシステムUbiHRを提案する。 UbiHRの鍵は、ノイズ非依存の心拍認識と、コモディティモバイルデバイスでの表示を可能にするリアルタイムの長距離時間モデルである。
論文参考訳（メタデータ） (2024-10-25T03:28:19Z)
Robust Generalization of Graph Neural Networks for Carrier Scheduling [4.311529300510196]
本稿では,1000ノードまでのネットワークへの一般化(再学習なしで)を改善するGNNベースのスケジューラであるRobustGANTTを紹介する。我々の研究は、大規模バックスキャッターネットワークにおける資源利用を改善するだけでなく、学習ベースのスケジューリングに関する貴重な洞察も提供する。
論文参考訳（メタデータ） (2024-07-11T13:13:24Z)
SimplyMime: A Control at Our Fingertips [0.17499351967216337]
本稿では,消費者電子製品の複数リモコンの必要性を解消することを目的とした,SimplyMimeという新しいシステムを提案する。 SimplyMimeは動的手ジェスチャー認識アーキテクチャを活用し、人工知能とヒューマン・コンピュータ・インタラクションを取り入れている。動きの流れ中のジェスチャーを検知・認識する手法の性能を徹底的に検証し,検証した。
論文参考訳（メタデータ） (2023-04-22T11:25:19Z)
MAPLE-Edge: A Runtime Latency Predictor for Edge Devices [80.01591186546793]
汎用ハードウェアの最先端遅延予測器であるMAPLEのエッジデバイス指向拡張であるMAPLE-Edgeを提案する。 MAPLEと比較して、MAPLE-Edgeはより小さなCPUパフォーマンスカウンタを使用して、ランタイムとターゲットデバイスプラットフォームを記述することができる。また、共通ランタイムを共有するデバイスプール上でトレーニングを行うMAPLEとは異なり、MAPLE-Edgeは実行時に効果的に一般化できることを示す。
論文参考訳（メタデータ） (2022-04-27T14:00:48Z)
DeepGANTT: A Scalable Deep Learning Scheduler for Backscatter Networks [6.412612364488614]
DeepGANTTは、グラフニューラルネットワークを活用して、ほぼ最適なキャリアスケジューリングを効率的に提供するスケジューラである。 DeepGANTTは,ノード数で6倍,タグ数で10倍のネットワークに一般化されている。
論文参考訳（メタデータ） (2021-12-24T07:58:42Z)
RIS-assisted UAV Communications for IoT with Wireless Power Transfer Using Deep Reinforcement Learning [75.677197535939]
無人航空機(UAV)通信をサポートするIoTデバイスのための同時無線電力伝送と情報伝送方式を提案する。第1フェーズでは、IoTデバイスが無線電力転送を通じてUAVからエネルギーを回収し、第2フェーズでは、UAVが情報伝送を通じてIoTデバイスからデータを収集する。マルコフ決定過程を定式化し、ネットワーク総和率を最大化する最適化問題を解くために、2つの深い強化学習アルゴリズムを提案する。
論文参考訳（メタデータ） (2021-08-05T23:55:44Z)
Energy-Efficient Model Compression and Splitting for Collaborative Inference Over Time-Varying Channels [52.60092598312894]
本稿では,エッジノードとリモートノード間のモデル圧縮と時間変化モデル分割を利用して,エッジデバイスにおける総エネルギーコストを削減する手法を提案する。提案手法は, 検討されたベースラインと比較して, エネルギー消費が最小限であり, 排出コストが$CO$となる。
論文参考訳（メタデータ） (2021-06-02T07:36:27Z)
To Talk or to Work: Flexible Communication Compression for Energy Efficient Federated Learning over Heterogeneous Mobile Edge Devices [78.38046945665538]
巨大なモバイルエッジデバイス上でのフェデレーション学習(FL)は、多数のインテリジェントなモバイルアプリケーションのための新たな地平を開く。 FLは、定期的なグローバル同期と継続的なローカルトレーニングにより、参加するデバイスに膨大な通信と計算負荷を課す。フレキシブルな通信圧縮を可能にする収束保証FLアルゴリズムを開発。
論文参考訳（メタデータ） (2020-12-22T02:54:18Z)
Energy Aware Deep Reinforcement Learning Scheduling for Sensors Correlated in Time and Space [62.39318039798564]
相関情報を利用するスケジューリング機構を提案する。提案したメカニズムは、センサが更新を送信する頻度を決定することができる。我々は,センサの寿命を大幅に延長できることを示した。
論文参考訳（メタデータ） (2020-11-19T09:53:27Z)
Multi-objective Reinforcement Learning based approach for User-Centric Power Optimization in Smart Home Environments [15.782737651946569]
本稿では,消費電力を最小化し,ユーザ満足度を最大化することを目的とした,新たな多目的強化学習フレームワークを提案する。このフレームワークは、2つの目標間のトレードオフを探求し、より良い電力管理ポリシーに収束する。本研究は, 一定間隔でデバイスモードが変動するデバイスを最適化するために, 定期的に使用するデバイスを対象とすべきであることを示す。
論文参考訳（メタデータ） (2020-09-29T08:28:05Z)
Convergence of Update Aware Device Scheduling for Federated Learning at the Wireless Edge [84.55126371346452]
遠隔パラメータサーバ(PS)の助けを借りて、ローカルデータセットを持つパワー制限デバイスが共同でジョイントモデルを訓練する無線エッジにおけるフェデレーション学習について研究する。各ラウンドで送信するデバイスのサブセットを決定する新しいスケジューリングとリソース割り当てポリシーを設計する。数値実験の結果,提案したスケジューリングポリシーは,チャネル条件と局所モデル更新の重要性の両方に基づいており,両者の指標のみに基づくスケジューリングポリシーよりも長期的性能がよいことがわかった。
論文参考訳（メタデータ） (2020-01-28T15:15:22Z)

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。