論文の概要: An MDP Model for Censoring in Harvesting Sensors: Optimal and Approximated Solutions

• arxiv url: http://arxiv.org/abs/2502.00940v1
• Date: Sun, 02 Feb 2025 22:22:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-05 14:56:14.007558
• Title: An MDP Model for Censoring in Harvesting Sensors: Optimal and Approximated Solutions
• Title（参考訳）: ハーベスティングセンサにおける検出のためのMDPモデル:最適解と近似解
• Authors: Jesus Fernandez-Bes, Jesus Cid-Sueiro, Antonio G. Marques,
• Abstract要約: 省エネセンサにおける省エネ伝送のための新しい検閲ポリシーを提案する。 メッセージは、その重要性がバッテリレベルに依存する閾値を超える場合にのみ送信される。 バッテリーモデル上の一定の条件下では、最適な検閲ポリシーが重要性のしきい値のしきい値であることを示す。
• 参考スコア（独自算出の注目度）: 7.768998014180087
• License:
• Abstract: In this paper, we propose a novel censoring policy for energy-efficient transmissions in energy-harvesting sensors. The problem is formulated as an infinite-horizon Markov Decision Process (MDP). The objective to be optimized is the expected sum of the importance (utility) of all transmitted messages. Assuming that such importance can be evaluated at the transmitting node, we show that, under certain conditions on the battery model, the optimal censoring policy is a threshold function on the importance value. Specifically, messages are transmitted only if their importance is above a threshold whose value depends on the battery level. Exploiting this property, we propose a model-based stochastic scheme that approximates the optimal solution, with less computational complexity and faster convergence speed than a conventional Q-learning algorithm. Numerical experiments in single-hop and multi-hop networks confirm the analytical advantages of the proposed scheme.
• Abstract（参考訳）: 本稿では,省エネセンサにおける省エネ伝送のための新しい検閲ポリシーを提案する。 この問題は無限水平マルコフ決定過程(MDP)として定式化されている。 最適化される目的は、送信されたすべてのメッセージの重要性(ユーティリティ)を期待する総和である。 このような重要度を送信ノードで評価できると仮定すると、バッテリーモデル上の一定の条件下では、最適な検閲ポリシーが重要性のしきい値のしきい値であることを示す。 具体的には、メッセージが送信されるのは、その重要性がバッテリレベルに依存する閾値を超える場合に限られる。 そこで本研究では,従来のQ-ラーニングアルゴリズムよりも計算量が少なく,収束速度も速く,最適解を近似したモデルベースの確率的スキームを提案する。 シングルホップネットワークとマルチホップネットワークの数値実験により,提案方式の分析上の利点が確認された。

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)
• Dynamical Measure Transport and Neural PDE Solvers for Sampling [77.38204731939273]
  本研究では, 対象物へのトラクタブル密度関数の移動として, 確率密度からサンプリングする作業に取り組む。 物理インフォームドニューラルネットワーク(PINN)を用いて各偏微分方程式(PDE)の解を近似する。 PINNはシミュレーションと離散化のない最適化を可能にし、非常に効率的に訓練することができる。
  論文  参考訳（メタデータ） (2024-07-10T17:39:50Z)
• Short-Term Load Forecasting Using A Particle-Swarm Optimized Multi-Head Attention-Augmented CNN-LSTM Network [0.0]
  電力系統の効率的な運用と計画において、短期負荷予測が最重要となる。 ディープラーニングの最近の進歩は、この問題に対処する上で有望であることを示している。 これらの障害を克服する新しいソリューションを提案します。
  論文  参考訳（メタデータ） (2023-09-07T13:06:52Z)
• Experimental implementation of quantum greedy optimization on quantum computer [0.0]
  本稿では、時間進化の離散化(d-QGO)に基づく量子グリーディ最適化アルゴリズムを提案する。 我々は、d-QGOが成功確率を維持しながら感度を決定するために必要なショット数を減少させることを示した。
  論文  参考訳（メタデータ） (2023-06-14T00:29:25Z)
• Optimal Generators for Quantum Sensing [0.0]
  与えられた量子状態を用いた最大感度は、量子フィッシャー情報行列(QFIM)の最大固有値によって決定されることを示す。 状態準備プロトコルに焦点をあてるのではなくパラメータ符号化のプロセスを最適化するため、我々の手法はあらゆる量子センサに関係している。
  論文  参考訳（メタデータ） (2023-05-24T20:42:38Z)
• Sampling with Mollified Interaction Energy Descent [57.00583139477843]
  モーフィファイド相互作用エネルギー降下(MIED)と呼ばれる新しい最適化に基づくサンプリング手法を提案する。 MIEDは、モル化相互作用エネルギー(MIE)と呼ばれる確率測度に関する新しいクラスのエネルギーを最小化する 我々は,制約のないサンプリング問題に対して,我々のアルゴリズムがSVGDのような既存の粒子ベースアルゴリズムと同等に動作することを示す。
  論文  参考訳（メタデータ） (2022-10-24T16:54:18Z)
• Green, Quantized Federated Learning over Wireless Networks: An Energy-Efficient Design [68.86220939532373]
  有限精度レベルは、固定精度フォーマットで重みとアクティベーションを定量化する量子ニューラルネットワーク(QNN)を使用して取得される。 提案するFLフレームワークは,ベースラインFLアルゴリズムと比較して,収束までのエネルギー消費量を最大70%削減することができる。
  論文  参考訳（メタデータ） (2022-07-19T16:37:24Z)
• Sequential Information Design: Markov Persuasion Process and Its Efficient Reinforcement Learning [156.5667417159582]
  本稿では,逐次情報設計の新たなモデル,すなわちマルコフ説得過程(MPP)を提案する。 MPPのプランニングは、ミオピックレシーバーに同時に説得されるシグナルポリシーを見つけ、送信者の最適な長期累積ユーティリティを誘導する、というユニークな課題に直面している。 我々は,楽観主義と悲観主義の両原理の新たな組み合わせを特徴とする,実証可能な効率のよい非回帰学習アルゴリズム,Optimism-Pessimism Principle for Persuasion Process (OP4) を設計する。
  論文  参考訳（メタデータ） (2022-02-22T05:41:43Z)
• Adaptive Sampling for Best Policy Identification in Markov Decision Processes [79.4957965474334]
  本稿では,学習者が生成モデルにアクセスできる場合の,割引マルコフ決定(MDP)における最良の政治的識別の問題について検討する。 最先端アルゴリズムの利点を論じ、解説する。
  論文  参考訳（メタデータ） (2020-09-28T15:22:24Z)
• Targeted free energy estimation via learned mappings [66.20146549150475]
  自由エネルギー摂動 (FEP) は60年以上前にズワンツィヒによって自由エネルギー差を推定する方法として提案された。 FEPは、分布間の十分な重複の必要性という厳しい制限に悩まされている。 目標自由エネルギー摂動(Targeted Free Energy Perturbation)と呼ばれるこの問題を緩和するための1つの戦略は、オーバーラップを増やすために構成空間の高次元マッピングを使用する。
  論文  参考訳（メタデータ） (2020-02-12T11:10:00Z)

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。