論文の概要: Learning Semantic Association Rules from Internet of Things Data

• arxiv url: http://arxiv.org/abs/2412.03417v1
• Date: Wed, 04 Dec 2024 15:53:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-05 15:09:32.924347
• Title: Learning Semantic Association Rules from Internet of Things Data
• Title（参考訳）: モノのインターネットからセマンティックアソシエーションルールを学ぶ
• Authors: Erkan Karabulut, Paul Groth, Victoria Degeler,
• Abstract要約: アソシエーションルールマイニング(アソシエーションルールマイニング、ARM)は、データ中の共通点を論理的な意味として発見するタスクである。 ARMはIoT(Internet of Things)において、監視や意思決定などさまざまなタスクに使用されている。 動的センサデータと静的IoTシステムメタデータの両方を利用した,IoTデータのための新しいARMパイプラインを提案する。
• 参考スコア（独自算出の注目度）: 1.3886978730184498
• License:
• Abstract: Association Rule Mining (ARM) is the task of discovering commonalities in data in the form of logical implications. ARM is used in the Internet of Things (IoT) for different tasks including monitoring and decision-making. However, existing methods give limited consideration to IoT-specific requirements such as heterogeneity and volume. Furthermore, they do not utilize important static domain-specific description data about IoT systems, which is increasingly represented as knowledge graphs. In this paper, we propose a novel ARM pipeline for IoT data that utilizes both dynamic sensor data and static IoT system metadata. Furthermore, we propose an Autoencoder-based Neurosymbolic ARM method (Aerial) as part of the pipeline to address the high volume of IoT data and reduce the total number of rules that are resource-intensive to process. Aerial learns a neural representation of a given data and extracts association rules from this representation by exploiting the reconstruction (decoding) mechanism of an autoencoder. Extensive evaluations on 3 IoT datasets from 2 domains show that ARM on both static and dynamic IoT data results in more generically applicable rules while Aerial can learn a more concise set of high-quality association rules than the state-of-the-art with full coverage over the datasets.
• Abstract（参考訳）: アソシエーションルールマイニング(アソシエーションルールマイニング、ARM)は、データ中の共通点を論理的な意味として発見するタスクである。 ARMはIoT(Internet of Things)において、監視や意思決定などさまざまなタスクに使用されている。 しかし、既存の手法は、不均一性やボリュームといったIoT固有の要件を限定的に考慮している。 さらに、IoTシステムに関する重要な静的ドメイン固有の記述データを使用しない。 本稿では,動的センサデータと静的IoTシステムメタデータの両方を利用した,IoTデータのための新しいARMパイプラインを提案する。 さらに,このパイプラインの一部として,オートエンコーダをベースとしたNeurosymbolic ARM法(Aerial)を提案する。 Aerialは、与えられたデータの神経表現を学び、オートエンコーダの再構成(復号)機構を利用して、この表現から関連ルールを抽出する。 2つのドメインからの3つのIoTデータセットに対する大規模な評価によると、ARMは静的データと動的IoTデータの両方で、より汎用的に適用可能なルールとなり、Aerialはデータセットを網羅した最先端のアソシエーションルールよりも、より簡潔なセットを学習できる。

関連論文リスト

• Lightweight Dataset for Decoy Development to Improve IoT Security [0.1227734309612871]
  本稿では,IoT(Internet of Things)アクティビティをデコイを作成する準備として,軽量なデータセットを提案する。 データセットは、実際のネットワーク設定で異なるシナリオから構成される。
  論文  参考訳（メタデータ） (2024-07-29T12:01:50Z)
• Leveraging Foundation Models for Zero-Shot IoT Sensing [5.319176383069102]
  ディープラーニングモデルは、エッジIoT(Internet of Things)デバイスにますますデプロイされている。 ZSLは意味情報の助けを借りて、目に見えないクラスのデータを分類することを目的としている。 本研究では、ゼロショットIoTセンシングのためのFMテキストエンコーダによって生成されたセマンティック埋め込みと、IoTデータの埋め込みを一致させる。
  論文  参考訳（メタデータ） (2024-07-29T11:16:48Z)
• IoT-LM: Large Multisensory Language Models for the Internet of Things [70.74131118309967]
  IoTエコシステムは、モーション、サーマル、ジオロケーション、イメージング、ディープ、センサー、オーディオといった、現実世界のモダリティの豊富なソースを提供する。 機械学習は、IoTデータを大規模に自動的に処理する豊富な機会を提供する。 IoTエコシステムに適した,オープンソースの大規模マルチセンサ言語モデルであるIoT-LMを紹介します。
  論文  参考訳（メタデータ） (2024-07-13T08:20:37Z)
• 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)
• The Internet of Senses: Building on Semantic Communications and Edge Intelligence [67.75406096878321]
  インターネット・オブ・センセーズ(IoS)は、すべてのヒト受容体に対する欠陥のないテレプレゼンススタイルのコミュニケーションを約束する。 我々は,新たなセマンティックコミュニケーションと人工知能(AI)/機械学習(ML)パラダイムがIoSユースケースの要件を満たす方法について詳しく述べる。
  論文  参考訳（メタデータ） (2022-12-21T03:37:38Z)
• 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)
• Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge Computing: A Contextual-Bandit Approach [81.5261621619557]
  階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。 まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。 そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
  論文  参考訳（メタデータ） (2021-08-09T08:45:47Z)
• Federated Learning for Internet of Things: A Federated Learning Framework for On-device Anomaly Data Detection [10.232121085973782]
  我々は、N-BaIoT、FedDetectアルゴリズム、IoTデバイスのシステム設計を使用した合成データセットを含むFedIoTプラットフォームを構築します。 現実的なIoTデバイス(PI)のネットワークにおいて,FedIoTプラットフォームとFedDetectアルゴリズムをモデルおよびシステムパフォーマンスの両方で評価する。
  論文  参考訳（メタデータ） (2021-06-15T08:53:42Z)
• Class-Incremental Learning for Wireless Device Identification in IoT [16.3730669259576]
  ディープラーニング(DL)はIoT(Internet of Things)で広く利用されています。 IoTにおけるDLの典型的な応用の1つは、無線信号、すなわち非暗号デバイス識別(NDI)からのデバイス識別である。 さまざまなILアルゴリズムが提案されており、その多くは履歴データの量を増やすために専用のスペースを必要とするため、IoTやモバイルアプリケーションには適していません。 本研究では,デバイス指紋を異なる学習段階に自動的に分離し,潜在的な競合を回避するための,履歴データを使わずに新たなチャネル分離可能インクリメンタルラーニング(CSIL)方式を提案する。
  論文  参考訳（メタデータ） (2021-05-08T09:11:07Z)
• Software-Defined Edge Computing: A New Architecture Paradigm to Support IoT Data Analysis [21.016796500957977]
  本稿では,IoTデータの特徴,IoTネットワークアーキテクチャの動向,IoTデータ解析の問題点,その解決方法について紹介する。 具体的には、ソフトウェア定義エッジコンピューティングは、IoTデータ分析のユニークなニーズをサポートする有望なアーキテクチャであると考えています。
  論文  参考訳（メタデータ） (2021-04-22T11:19:20Z)
• Optimizing Resource-Efficiency for Federated Edge Intelligence in IoT Networks [96.24723959137218]
  We study a edge intelligence-based IoT network that a set of edge server learn a shared model using federated learning (FL)。 フェデレーションエッジインテリジェンス(FEI)と呼ばれる新しいフレームワークを提案し、エッジサーバがIoTネットワークのエネルギーコストに応じて必要なデータサンプル数を評価できるようにする。 提案アルゴリズムがIoTネットワークのトポロジ的情報を漏洩したり開示したりしないことを示す。
  論文  参考訳（メタデータ） (2020-11-25T12:51:59Z)

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。