論文の概要: SGP-RI: A Real-Time-Trainable and Decentralized IoT Indoor Localization Model Based on Sparse Gaussian Process with Reduced-Dimensional Inputs

• arxiv url: http://arxiv.org/abs/2409.00078v1
• Date: Sat, 24 Aug 2024 12:15:01 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-08 15:21:17.468811
• Title: SGP-RI: A Real-Time-Trainable and Decentralized IoT Indoor Localization Model Based on Sparse Gaussian Process with Reduced-Dimensional Inputs
• Title（参考訳）: SGP-RI: 還元次元入力によるスパースガウス過程に基づくリアルタイムトレーサブル・分散IoT室内局在モデル
• Authors: Zhe Tang, Sihao Li, Zichen Huang, Guandong Yang, Kyeong Soo Kim, Jeremy S. Smith,
• Abstract要約: 還元次元入力(SGP-RI)を用いたスパースガウス過程に基づくリアルタイム学習可能・分散屋内ローカライゼーションモデルを構築した。 入力を誘導するトレーニングサンプルの半分未満のSGP-RIモデルでは、トレーニングサンプル全体の標準ガウスプロセスモデルに匹敵するローカライゼーション性能が得られる。
• 参考スコア（独自算出の注目度）: 3.735798190358001
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Internet of Things (IoT) devices are deployed in the filed, there is an enormous amount of untapped potential in local computing on those IoT devices. Harnessing this potential for indoor localization, therefore, becomes an exciting research area. Conventionally, the training and deployment of indoor localization models are based on centralized servers with substantial computational resources. This centralized approach faces several challenges, including the database's inability to accommodate the dynamic and unpredictable nature of the indoor electromagnetic environment, the model retraining costs, and the susceptibility of centralized servers to security breaches. To mitigate these challenges we aim to amalgamate the offline and online phases of traditional indoor localization methods using a real-time-trainable and decentralized IoT indoor localization model based on Sparse Gaussian Process with Reduced-dimensional Inputs (SGP-RI), where the number and dimension of the input data are reduced through reference point and wireless access point filtering, respectively. The experimental results based on a multi-building and multi-floor static database as well as a single-building and single-floor dynamic database, demonstrate that the proposed SGP-RI model with less than half the training samples as inducing inputs can produce comparable localization performance to the standard Gaussian Process model with the whole training samples. The SGP-RI model enables the decentralization of indoor localization, facilitating its deployment to resource-constrained IoT devices, and thereby could provide enhanced security and privacy, reduced costs, and network dependency. Also, the model's capability of real-time training makes it possible to quickly adapt to the time-varying indoor electromagnetic environment.
• Abstract（参考訳）: IoT(Internet of Things, モノのインターネット)デバイスは、提出されたデバイスにデプロイされるが、それらのIoTデバイス上でのローカルコンピューティングには、膨大な量の未使用のポテンシャルがある。 そのため、この可能性を屋内のローカライゼーションに当てはめることは、エキサイティングな研究分野となる。 従来、屋内ローカライゼーションモデルのトレーニングと展開は、かなりの計算資源を持つ集中型サーバに基づいている。 この集中型アプローチは、屋内電磁環境の動的で予測不可能な性質をデータベースが対応できないこと、モデル再トレーニングコスト、集中型サーバのセキュリティ侵害に対する感受性など、いくつかの課題に直面している。 これらの課題を軽減するために,SGP-RI(Sparse Gaussian Process with Reduced-dimensional Inputs)に基づくリアルタイム学習型および分散型IoT屋内ローカライゼーションモデルを用いて,従来の屋内ローカライゼーション手法のオフラインおよびオンラインのフェーズを,基準点と無線アクセスポイントフィルタリングによってそれぞれ削減することを目的とした。 マルチビルディングおよびマルチフロアの静的データベースおよびシングルビルディングおよびシングルフロアの動的データベースに基づく実験結果は、入力を誘導するトレーニングサンプルの半分未満のSGP-RIモデルが、トレーニングサンプル全体で標準ガウスプロセスモデルに匹敵するローカライゼーション性能を得ることができることを示す。 SGP-RIモデルは、屋内のローカライゼーションの分散化を可能にし、リソース制限されたIoTデバイスへのデプロイメントを容易にし、セキュリティとプライバシの向上、コスト削減、ネットワーク依存性を提供する。 また、実時間トレーニングの能力により、時間変化のある屋内電磁環境に迅速に適応することができる。

関連論文リスト

• Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
  我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。 FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。 実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
  論文  参考訳（メタデータ） (2024-01-22T14:16:37Z)
• A Multi-Head Ensemble Multi-Task Learning Approach for Dynamical Computation Offloading [62.34538208323411]
  共有バックボーンと複数の予測ヘッド(PH)を組み合わせたマルチヘッドマルチタスク学習(MEMTL)手法を提案する。 MEMTLは、追加のトレーニングデータを必要とせず、推測精度と平均平方誤差の両方でベンチマーク手法より優れている。
  論文  参考訳（メタデータ） (2023-09-02T11:01:16Z)
• FedHIL: Heterogeneity Resilient Federated Learning for Robust Indoor Localization with Mobile Devices [4.226118870861363]
  緊急対応、倉庫管理、拡張現実体験などの応用において、屋内のローカライゼーションは重要な役割を担っている。 デバイス・ヘテロジニアス環境における屋内位置推定精度を向上させるために,FedHILと呼ばれる新しい組込み機械学習フレームワークを提案する。 本フレームワークは,屋内の局所化とフェデレート学習(FL)を組み合わせることで,デバイス・異種環境における屋内の局所化精度を向上させる。
  論文  参考訳（メタデータ） (2023-07-04T15:34:13Z)
• A Meta-learning based Generalizable Indoor Localization Model using Channel State Information [8.302375673936387]
  本稿では,データセットが制限された場合の一般化性の向上を目的としたメタ学習アルゴリズムTB-MAMLを提案する。 TB-MAMLに基づくローカライゼーションモデルと,他のメタ学習アルゴリズムを用いたローカライゼーションの性能評価を行った。
  論文  参考訳（メタデータ） (2023-05-22T19:54:59Z)
• Fluid Batching: Exit-Aware Preemptive Serving of Early-Exit Neural Networks on Edge NPUs [74.83613252825754]
  スマートエコシステム(smart ecosystems)"は、スタンドアロンではなく、センセーションが同時に行われるように形成されています。 これはデバイス上の推論パラダイムを、エッジにニューラル処理ユニット(NPU)をデプロイする方向にシフトしている。 そこで本研究では,実行時のプリエンプションが到着・終了プロセスによってもたらされる動的性を考慮に入れた,新しい早期終了スケジューリングを提案する。
  論文  参考訳（メタデータ） (2022-09-27T15:04:01Z)
• Hierarchical Multi-Building And Multi-Floor Indoor Localization Based On Recurrent Neural Networks [2.0305676256390934]
  Wi-Fiフィンガープリントを用いたリカレントニューラルネットワーク(RNN)に基づく階層型マルチビルディングとマルチフロア屋内ローカライゼーションを提案する。 提案手法は建物と床をそれぞれ100%と95.24%の精度で推定し、三次元位置決め誤差は8.62mである。
  論文  参考訳（メタデータ） (2021-12-23T11:56:31Z)
• Computational Intelligence and Deep Learning for Next-Generation Edge-Enabled Industrial IoT [51.68933585002123]
  エッジ対応産業用IoTネットワークにおける計算知能とディープラーニング(DL)の展開方法について検討する。 本稿では,新しいマルチエグジットベースフェデレーションエッジ学習(ME-FEEL)フレームワークを提案する。 特に、提案されたME-FEELは、非常に限られたリソースを持つ産業用IoTネットワークにおいて、最大32.7%の精度を達成することができる。
  論文  参考訳（メタデータ） (2021-10-28T08:14:57Z)
• Clustered Federated Learning via Generalized Total Variation Minimization [83.26141667853057]
  本研究では,分散ネットワーク構造を持つローカルデータセットの局所的(あるいはパーソナライズされた)モデルを学習するための最適化手法について検討する。 我々の主要な概念的貢献は、総変動最小化(GTV)としてフェデレーション学習を定式化することである。 私たちのアルゴリズムの主な貢献は、完全に分散化されたフェデレーション学習アルゴリズムです。
  論文  参考訳（メタデータ） (2021-05-26T18:07:19Z)
• Learning to Continuously Optimize Wireless Resource in a Dynamic Environment: A Bilevel Optimization Perspective [52.497514255040514]
  この研究は、データ駆動メソッドが動的環境でリソース割り当て戦略を継続的に学び、最適化することを可能にする新しいアプローチを開発しています。 学習モデルが新たなエピソードに段階的に適応できるように、連続学習の概念を無線システム設計に組み込むことを提案する。 我々の設計は、異なるデータサンプルにまたがる公平性を保証する、新しい二段階最適化定式化に基づいている。
  論文  参考訳（メタデータ） (2021-05-03T07:23:39Z)
• Federated Learning with Cooperating Devices: A Consensus Approach for Massive IoT Networks [8.456633924613456]
  分散システムにおける機械学習モデルをトレーニングするための新しいパラダイムとして、フェデレートラーニング(FL)が登場している。 提案するFLアルゴリズムは,ネットワーク内のデータ操作を行うデバイスとの協調を利用して,完全に分散された(あるいはサーバレス)学習手法を提案する。 このアプローチは、分散接続とコンピューティングを特徴とするネットワークを超えて、5G 内で FL を統合するための基盤となる。
  論文  参考訳（メタデータ） (2019-12-27T15:16:04Z)

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。