論文の概要: Data-driven Modality Fusion: An AI-enabled Framework for Large-Scale Sensor Network Management
- arxiv url: http://arxiv.org/abs/2502.04937v1
- Date: Fri, 07 Feb 2025 14:00:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-10 14:57:17.282767
- Title: Data-driven Modality Fusion: An AI-enabled Framework for Large-Scale Sensor Network Management
- Title(参考訳): データ駆動型モダリティフュージョン:大規模センサネットワーク管理のためのAI対応フレームワーク
- Authors: Hrishikesh Dutta, Roberto Minerva, Maira Alvi, Noel Crespi,
- Abstract要約: 本稿では,DMF(Data-driven Modality Fusion)と呼ばれる新しいセンシングパラダイムを紹介する。
異なるセンシングモードからの時系列データ間の相関を利用して、DMF手法によりモニタリングに必要な物理センサの数を削減できる。
このフレームワークは、エッジデバイスからコアへ計算の複雑さを移動させ、リソースに制約のあるIoTデバイスが集中的な処理タスクに負担されないようにする。
- 参考スコア(独自算出の注目度): 0.49998148477760973
- License:
- Abstract: The development and operation of smart cities relyheavily on large-scale Internet-of-Things (IoT) networks and sensor infrastructures that continuously monitor various aspects of urban environments. These networks generate vast amounts of data, posing challenges related to bandwidth usage, energy consumption, and system scalability. This paper introduces a novel sensing paradigm called Data-driven Modality Fusion (DMF), designed to enhance the efficiency of smart city IoT network management. By leveraging correlations between timeseries data from different sensing modalities, the proposed DMF approach reduces the number of physical sensors required for monitoring, thereby minimizing energy expenditure, communication bandwidth, and overall deployment costs. The framework relocates computational complexity from the edge devices to the core, ensuring that resource-constrained IoT devices are not burdened with intensive processing tasks. DMF is validated using data from a real-world IoT deployment in Madrid, demonstrating the effectiveness of the proposed system in accurately estimating traffic, environmental, and pollution metrics from a reduced set of sensors. The proposed solution offers a scalable, efficient mechanism for managing urban IoT networks, while addressing issues of sensor failure and privacy concerns.
- Abstract(参考訳): スマートシティの開発と運用は、都市環境のさまざまな側面を継続的に監視する大規模IoT(Internet-of-Things)ネットワークとセンサインフラストラクチャに大きく依存している。
これらのネットワークは膨大な量のデータを生成し、帯域使用量、エネルギー消費、システムのスケーラビリティに関する課題を提起する。
本稿では,スマートシティIoTネットワーク管理の効率化を目的とした,DMF(Data-driven Modality Fusion)と呼ばれる新しいセンシングパラダイムを提案する。
異なるセンシングモードからの時系列データ間の相関を利用して、DMF手法により、監視に必要な物理センサの数を削減し、エネルギー消費、通信帯域幅、全体の展開コストを最小化する。
このフレームワークは、エッジデバイスからコアへ計算の複雑さを移動させ、リソースに制約のあるIoTデバイスが集中的な処理タスクに負担されないようにする。
DMFはマドリードの実際のIoTデプロイメントのデータを用いて検証され、提案システムの有効性を実証し、センサーセットの縮小によるトラフィック、環境、汚染のメトリクスを正確に推定する。
提案されたソリューションは、センサ障害とプライバシの問題に対処しながら、都市IoTネットワークを管理するスケーラブルで効率的なメカニズムを提供する。
関連論文リスト
- A Unified Framework for Context-Aware IoT Management and State-of-the-Art IoT Traffic Anomaly Detection [1.8024397171920885]
我々は、IoT管理タスクのためのコンテキスト駆動型大規模言語モデル(LLM)と、ネットワークトラフィック分析のための微調整された異常検出モジュールを組み合わせた統合フレームワークを提案する。
このフレームワークは、IoTマニュアルや運用データからコンテキスト知識を活用することにより、デバイス管理やトラブルシューティング、セキュリティ執行といった管理プロセスを合理化する。
論文 参考訳(メタデータ) (2024-12-19T22:38:41Z) - Towards Resource-Efficient Federated Learning in Industrial IoT for Multivariate Time Series Analysis [50.18156030818883]
異常と欠落したデータは、産業応用における厄介な問題を構成する。
ディープラーニングによる異常検出が重要な方向として現れている。
エッジデバイスで収集されたデータは、ユーザのプライバシを含む。
論文 参考訳(メタデータ) (2024-11-06T15:38:31Z) - A Plug-in Tiny AI Module for Intelligent and Selective Sensor Data
Transmission [10.174575604689391]
本稿では、インテリジェントなデータ伝送機能を備えたセンシングフレームワークを実現するための新しいセンシングモジュールを提案する。
センサの近くに置かれる高効率機械学習モデルを統合する。
このモデルは,無関係な情報を破棄しながら,貴重なデータのみを送信するセンサシステムに対して,迅速なフィードバックを提供する。
論文 参考訳(メタデータ) (2024-02-03T05:41:39Z) - 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) - Multiagent Reinforcement Learning with an Attention Mechanism for
Improving Energy Efficiency in LoRa Networks [52.96907334080273]
ネットワーク規模が大きくなるにつれて、パケット衝突によるLoRaネットワークのエネルギー効率は急激に低下する。
マルチエージェント強化学習(MALoRa)に基づく伝送パラメータ割り当てアルゴリズムを提案する。
シミュレーションの結果,MALoRaはベースラインアルゴリズムと比較してシステムEEを著しく改善することがわかった。
論文 参考訳(メタデータ) (2023-09-16T11:37:23Z) - Intelligent Communication Planning for Constrained Environmental IoT
Sensing with Reinforcement Learning [19.715387333728152]
モノのインターネット(IoT)デバイスは、しばしば電力制限を受け、帯域幅が限られている無線通信方式を利用する。
環境状態を追跡するIoTセンサの通信計画問題を定式化する。
本稿では,センサごとの最適な通信ポリシーを見つけるために,マルチエージェント強化学習(MARL)手法を提案する。
論文 参考訳(メタデータ) (2023-08-19T22:59:09Z) - Multi-Objective Optimization for UAV Swarm-Assisted IoT with Virtual
Antenna Arrays [55.736718475856726]
無人航空機(UAV)ネットワークはIoT(Internet-of-Things)を支援するための有望な技術である
既存のUAV支援データ収集および普及スキームでは、UAVはIoTとアクセスポイントの間を頻繁に飛行する必要がある。
協調ビームフォーミングをIoTとUAVに同時に導入し、エネルギーと時間効率のデータ収集と普及を実現した。
論文 参考訳(メタデータ) (2023-08-03T02:49:50Z) - Bringing AI to the edge: A formal M&S specification to deploy effective
IoT architectures [0.0]
モノのインターネットは私たちの社会を変え、生活の質と資源管理を改善する新しいサービスを提供しています。
これらのアプリケーションは、限られたコンピューティングリソースとパワーを持つ、複数の分散デバイスのユビキタスネットワークに基づいている。
フォグコンピューティングのような新しいアーキテクチャが登場し、コンピューティング基盤をデータソースに近づけている。
論文 参考訳(メタデータ) (2023-05-11T21:29:58Z) - Multi-Tier Hierarchical Federated Learning-assisted NTN for Intelligent
IoT Services [24.10349383347469]
本研究では,分散型協調学習環境の育成におけるMT-HFLの役割について考察する。
これにより、IoTデバイスがコントリビューションだけでなく、ネットワーク管理において情報的な決定を行うことが可能になる。
このセットアップにより、効率的なデータ処理、高度なプライバシとセキュリティ対策、および変動するネットワーク条件への応答が保証される。
論文 参考訳(メタデータ) (2023-05-09T14:03:22Z) - IoT-based Route Recommendation for an Intelligent Waste Management
System [61.04795047897888]
本研究は, 空間制約を考慮したIoT対応廃棄物管理システムにおいて, 経路推薦のためのインテリジェントなアプローチを提案する。
我々のソリューションは、ビンの状態と座標を考慮に入れた複数レベルの意思決定プロセスに基づいている。
論文 参考訳(メタデータ) (2022-01-01T12:36:22Z) - Federated Learning over Wireless IoT Networks with Optimized
Communication and Resources [98.18365881575805]
協調学習技術のパラダイムとしてのフェデレートラーニング(FL)は研究の注目を集めている。
無線システム上での高速応答および高精度FLスキームの検証が重要である。
提案する通信効率のよいフェデレーション学習フレームワークは,強い線形速度で収束することを示す。
論文 参考訳(メタデータ) (2021-10-22T13:25:57Z)
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。