論文の概要: SenDaL: An Effective and Efficient Calibration Framework of Low-Cost Sensors for Daily Life
- arxiv url: http://arxiv.org/abs/2502.10460v1
- Date: Wed, 12 Feb 2025 07:51:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-18 14:10:01.058034
- Title: SenDaL: An Effective and Efficient Calibration Framework of Low-Cost Sensors for Daily Life
- Title(参考訳): SenDaL: 日常生活のための低コストセンサの有効かつ効率的な校正フレームワーク
- Authors: Seokho Ahn, Hyungjin Kim, Euijong Lee, Young-Duk Seo,
- Abstract要約: SenDaL(SendaL)は、ニューラルネットワークを用いて低コストセンサーを校正するフレームワークである。
SenDaLは、ディープラーニングモデルに匹敵する精度を達成するための、新しいトレーニングと推論プロセスを導入している。
我々は、SenDaLが既存のディープラーニングモデルよりも精度、レイテンシ、エネルギー効率で優れていることを検証した。
- 参考スコア(独自算出の注目度): 6.320658791668947
- License:
- Abstract: The collection of accurate and noise-free data is a crucial part of Internet of Things (IoT)-controlled environments. However, the data collected from various sensors in daily life often suffer from inaccuracies. Additionally, IoT-controlled devices with low-cost sensors lack sufficient hardware resources to employ conventional deep-learning models. To overcome this limitation, we propose sensors for daily life (SenDaL), the first framework that utilizes neural networks for calibrating low cost sensors. SenDaL introduces novel training and inference processes that enable it to achieve accuracy comparable to deep learning models while simultaneously preserving latency and energy consumption similar to linear models. SenDaL is first trained in a bottom-up manner, making decisions based on calibration results from both linear and deep learning models. Once both models are trained, SenDaL makes independent decisions through a top-down inference process, ensuring accuracy and inference speed. Furthermore, SenDaL can select the optimal deep learning model according to the resources of the IoT devices because it is compatible with various deep learning models, such as long short-term memory-based and Transformer-based models. We have verified that SenDaL outperforms existing deep learning models in terms of accuracy, latency, and energy efficiency through experiments conducted in different IoT environments and real-life scenarios.
- Abstract(参考訳): 正確でノイズのないデータの収集は、IoT(Internet of Things)制御環境において重要な部分である。
しかし、日常生活で様々なセンサーから収集されたデータは、しばしば不正確さに悩まされる。
さらに、低コストのセンサーを備えたIoT制御デバイスは、従来のディープラーニングモデルを使用するのに十分なハードウェアリソースを欠いている。
この制限を克服するために,ニューラルネットワークによる低コストセンサの校正を行う最初のフレームワークである,日常生活用センサ(SenDaL)を提案する。
SenDaLは、線形モデルと同様のレイテンシとエネルギー消費を同時に保存しながら、ディープラーニングモデルに匹敵する精度を達成することができる、新しいトレーニングと推論プロセスを導入している。
SenDaLはまずボトムアップ方式でトレーニングされ、線形学習モデルと深層学習モデルの両方のキャリブレーション結果に基づいて決定を行う。
両方のモデルがトレーニングされると、SenDaLはトップダウン推論プロセスを通じて独立した決定を行い、精度と推論速度を保証する。
さらに、SenDaLは、長い短期メモリベースやTransformerベースのモデルなど、さまざまなディープラーニングモデルと互換性があるため、IoTデバイスのリソースに応じて最適なディープラーニングモデルを選択することができる。
SenDaLは、さまざまなIoT環境や実生活シナリオで実施された実験を通じて、精度、レイテンシ、エネルギー効率の点で、既存のディープラーニングモデルよりも優れています。
関連論文リスト
- What Really Matters for Learning-based LiDAR-Camera Calibration [50.2608502974106]
本稿では,学習に基づくLiDAR-Cameraキャリブレーションの開発を再考する。
我々は、広く使われているデータ生成パイプラインによる回帰ベースの手法の限界を識別する。
また,入力データ形式と前処理操作がネットワーク性能に与える影響についても検討する。
論文 参考訳(メタデータ) (2025-01-28T14:12:32Z) - Real-time Calibration Model for Low-cost Sensor in Fine-grained Time series [6.648146664198283]
対数重み付き注意力を利用した効果的なセンサキャリブレーションのためのTESLA, Transformer と呼ばれるモデルを開発した。
TESLAは高性能なディープラーニングモデルであるTransformersを使用して、非線形コンポーネントの校正とキャプチャを行う。
実験により、TESLAは既存の新しいディープラーニングモデルよりも精度、キャリブレーション速度、エネルギー効率が優れていることが示された。
論文 参考訳(メタデータ) (2024-12-28T14:58:46Z) - SONNET: Enhancing Time Delay Estimation by Leveraging Simulated Audio [17.811771707446926]
学習に基づく手法は、合成データにもとづいても、新しい実世界のデータに基づいてGCC-PHATを著しく上回り得ることを示す。
トレーニングされたモデルであるSONNETは、リアルタイムに実行可能で、多くの実データアプリケーションのために、最初から新しいデータに取り組んでいます。
論文 参考訳(メタデータ) (2024-11-20T10:23:21Z) - Model-aware reinforcement learning for high-performance Bayesian experimental design in quantum metrology [0.4999814847776097]
量子センサは、様々なパラメータにわたる実験者による操作を可能にすることで、推定中に制御の柔軟性を提供する。
量子力学、推定、仮説テストにおいて、幅広い問題を最適化できる汎用的な手順を導入する。
粒子フィルタリングに基づくモデル認識強化学習(RL)とベイズ推定を組み合わせた。
論文 参考訳(メタデータ) (2023-12-28T12:04:15Z) - Adaptive Model Pruning and Personalization for Federated Learning over
Wireless Networks [72.59891661768177]
フェデレーション学習(FL)は、データプライバシを保護しながら、エッジデバイス間での分散学習を可能にする。
これらの課題を克服するために、部分的なモデルプルーニングとパーソナライズを備えたFLフレームワークを検討する。
このフレームワークは、学習モデルを、データ表現を学ぶためにすべてのデバイスと共有されるモデルプルーニングと、特定のデバイスのために微調整されるパーソナライズされた部分とで、グローバルな部分に分割する。
論文 参考訳(メタデータ) (2023-09-04T21:10:45Z) - Incremental Online Learning Algorithms Comparison for Gesture and Visual
Smart Sensors [68.8204255655161]
本稿では,加速度センサデータに基づくジェスチャー認識と画像分類の2つの実例として,最先端の4つのアルゴリズムを比較した。
以上の結果から,これらのシステムの信頼性と小型メモリMCUへのデプロイの可能性が確認された。
論文 参考訳(メタデータ) (2022-09-01T17:05:20Z) - lpSpikeCon: Enabling Low-Precision Spiking Neural Network Processing for
Efficient Unsupervised Continual Learning on Autonomous Agents [14.916996986290902]
効率的な教師なし連続学習のための低精度SNN処理を可能にする新しい手法であるlpSpikeConを提案する。
我々のlpSpikeConは、教師なし連続学習によるオンライントレーニングを行うために、SNNモデルの重量記憶を8倍(すなわち、4ビットの重みを司法的に採用することで)削減することができる。
論文 参考訳(メタデータ) (2022-05-24T18:08:16Z) - Dynamic Network-Assisted D2D-Aided Coded Distributed Learning [59.29409589861241]
本稿では,デバイス間のロードバランシングのための新しいデバイス・ツー・デバイス(D2D)支援型符号化学習手法(D2D-CFL)を提案する。
最小処理時間を達成するための最適圧縮率を導出し、収束時間との接続を確立する。
提案手法は,ユーザが継続的にトレーニングデータを生成するリアルタイム協調アプリケーションに有用である。
論文 参考訳(メタデータ) (2021-11-26T18:44:59Z) - Real-time detection of uncalibrated sensors using Neural Networks [62.997667081978825]
オンライン学習に基づく温度・湿度・圧力センサの非校正検出装置を開発した。
このソリューションはニューラルネットワークをメインコンポーネントとして統合し、校正条件下でのセンサーの動作から学習する。
その結果, 提案手法は, 偏差値0.25度, 1% RH, 1.5Paの偏差をそれぞれ検出できることがわかった。
論文 参考訳(メタデータ) (2021-02-02T15:44:39Z) - Learning to Continuously Optimize Wireless Resource In Episodically
Dynamic Environment [55.91291559442884]
この研究は、データ駆動型手法が動的環境で継続的に学習し、最適化できる方法論を開発する。
本稿では,無線システム学習のモデリングプロセスに連続学習の概念を構築することを提案する。
我々の設計は、異なるデータサンプル間で「一定の公正性を保証する」新しいmin-maxの定式化に基づいている。
論文 参考訳(メタデータ) (2020-11-16T08:24:34Z)
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。