論文の概要: DFDT: Dynamic Fast Decision Tree for IoT Data Stream Mining on Edge Devices

• arxiv url: http://arxiv.org/abs/2502.14011v1
• Date: Wed, 19 Feb 2025 12:45:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-21 14:28:37.296809
• Title: DFDT: Dynamic Fast Decision Tree for IoT Data Stream Mining on Edge Devices
• Title（参考訳）: DFDT:エッジデバイス上でのIoTデータストリームマイニングのための動的高速決定木
• Authors: Afonso Lourenço, João Rodrigo, João Gama, Goreti Marreiros,
• Abstract要約: 本稿では,エネルギー効率のよいメモリ制約データストリームマイニングのための新しいアルゴリズムであるDFDT: Dynamic Fast Decision Treeを提案する。 実験により、提案フレームワークは、制限されたメモリとVFDTまたはSVFDTのランタイムのごく一部で予測性能(0.43対0.29ランキング)を向上できることが示された。
• 参考スコア（独自算出の注目度）: 1.7186863539230333
• License:
• Abstract: The Internet of Things generates massive data streams, with edge computing emerging as a key enabler for online IoT applications and 5G networks. Edge solutions facilitate real-time machine learning inference, but also require continuous adaptation to concept drifts. Ensemble-based solutions improve predictive performance, but incur higher resource consumption, latency, and memory demands. This paper presents DFDT: Dynamic Fast Decision Tree, a novel algorithm designed for energy-efficient memory-constrained data stream mining. DFDT improves hoeffding tree growth efficiency by dynamically adjusting grace periods, tie thresholds, and split evaluations based on incoming data. It incorporates stricter evaluation rules (based on entropy, information gain, and leaf instance count), adaptive expansion modes, and a leaf deactivation mechanism to manage memory, allowing more computation on frequently visited nodes while conserving energy on others. Experiments show that the proposed framework can achieve increased predictive performance (0.43 vs 0.29 ranking) with constrained memory and a fraction of the runtime of VFDT or SVFDT.
• Abstract（参考訳）: Internet of Things(モノのインターネット)は巨大なデータストリームを生成し、エッジコンピューティングがオンラインIoTアプリケーションと5Gネットワークの鍵となる。 エッジソリューションはリアルタイム機械学習推論を促進するが、コンセプトドリフトへの継続的適応も必要である。 アンサンブルベースのソリューションは予測性能を改善するが、リソース消費、レイテンシ、メモリ要求の増大を招く。 本稿では,エネルギー効率のよいメモリ制約データストリームマイニングのための新しいアルゴリズムであるDFDT: Dynamic Fast Decision Treeを提案する。 DFDTは、着信データに基づいて、収差期間、タイしきい値、スプリット評価を動的に調整することにより、ハエッディングツリーの生長効率を向上する。 より厳格な評価ルール(エントロピー、情報ゲイン、リーフインスタンス数に基づく)、適応展開モード、メモリ管理のためのリーフ不活性化機構が組み込まれている。 実験により、提案フレームワークは、制限されたメモリとVFDTまたはSVFDTのランタイムのごく一部で予測性能(0.43対0.29ランキング)を向上できることが示された。

関連論文リスト

• Decision Trees That Remember: Gradient-Based Learning of Recurrent Decision Trees with Memory [1.4487264853431878]
  我々はReMeDe Treesを紹介した。ReMeDe Treesは、RNNに似た内部メモリ機構を統合して、シーケンシャルデータにおける長期依存を学習する新しいDTアーキテクチャである。 我々のモデルは、出力生成と状態更新の両方に対して、厳密な軸整列決定ルールを学習し、勾配降下により効率よく最適化する。
  論文  参考訳（メタデータ） (2025-02-06T13:11:50Z)
• PRES: Toward Scalable Memory-Based Dynamic Graph Neural Networks [22.47336262812308]
  メモリベースの動的グラフニューラルネットワーク(MDGNN)は、動的グラフニューラルネットワークのファミリーであり、メモリモジュールを利用して、長期の時間的依存関係を抽出、抽出、抽出する。 本稿では,時間的バッチサイズが大きいMDGNNの訓練における時間的不連続性に着目し,大規模MDGNNの効率的な訓練について検討する。
  論文  参考訳（メタデータ） (2024-02-06T01:34:56Z)
• PREM: A Simple Yet Effective Approach for Node-Level Graph Anomaly Detection [65.24854366973794]
  ノードレベルのグラフ異常検出(GAD)は、医学、ソーシャルネットワーク、eコマースなどの分野におけるグラフ構造化データから異常ノードを特定する上で重要な役割を果たす。 本稿では,GADの効率を向上させるために,PREM (preprocessing and Matching) という簡単な手法を提案する。 我々のアプローチは、強力な異常検出機能を維持しながら、GADを合理化し、時間とメモリ消費を削減します。
  論文  参考訳（メタデータ） (2023-10-18T02:59:57Z)
• Efficient Task Offloading Algorithm for Digital Twin in Edge/Cloud Computing Environment [14.14935102383516]
  デジタルツイン(DT)は、物理オブジェクトとデジタルワールドの間の橋渡しとして、様々な領域に力を与える。 Mobile Cloud Computing (MCC) と Mobile Edge Computing (MEC) は、リアルタイムフィードバックを実現する上で重要な要素の2つになっている。 異種MEC/MCC環境を考慮した新しいDTシステムモデルを提案する。
  論文  参考訳（メタデータ） (2023-07-12T03:31:34Z)
• FLARE: Detection and Mitigation of Concept Drift for Federated Learning based IoT Deployments [2.7776688429637466]
  FLAREは、トレーニングデータを条件付きで転送し、エッジとセンサのエンドポイント間でモデルをデプロイする、軽量なデュアルスケジューリングFLフレームワークである。 固定間隔スケジューリング法と比較して,FLAREはエッジノードとセンサノード間で交換されるデータ量を大幅に削減できることを示す。 少なくとも16倍のレイテンシで、コンセプトドリフトを反応的に検出できる。
  論文  参考訳（メタデータ） (2023-05-15T10:09:07Z)
• Dynamic Scheduling for Federated Edge Learning with Streaming Data [56.91063444859008]
  我々は,長期的エネルギー制約のある分散エッジデバイスにおいて,トレーニングデータを時間とともにランダムに生成するフェデレーションエッジ学習(FEEL)システムを検討する。 限られた通信リソースとレイテンシ要件のため、各イテレーションでローカルトレーニングプロセスに参加するのはデバイスのサブセットのみである。
  論文  参考訳（メタデータ） (2023-05-02T07:41:16Z)
• Efficient Graph Neural Network Inference at Large Scale [54.89457550773165]
  グラフニューラルネットワーク(GNN)は、幅広いアプリケーションで優れた性能を示している。 既存のスケーラブルなGNNは、線形伝搬を利用して特徴を前処理し、トレーニングと推論の手順を高速化する。 本稿では,そのトポロジ情報に基づいて各ノードに対してパーソナライズされた伝搬順序を生成する適応的伝搬順序法を提案する。
  論文  参考訳（メタデータ） (2022-11-01T14:38:18Z)
• Balancing Performance and Energy Consumption of Bagging Ensembles for the Classification of Data Streams in Edge Computing [9.801387036837871]
  エッジコンピューティング(EC)は、IoT(Internet of Things)や5Gネットワークといったテクノロジを開発する上で可能な要素として登場した。 本研究は,データストリームの分類において,バッグアンサンブルの性能とエネルギー消費を最適化するための戦略を検討する。
  論文  参考訳（メタデータ） (2022-01-17T04:12:18Z)
• 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)
• Energy-Efficient Model Compression and Splitting for Collaborative Inference Over Time-Varying Channels [52.60092598312894]
  本稿では,エッジノードとリモートノード間のモデル圧縮と時間変化モデル分割を利用して,エッジデバイスにおける総エネルギーコストを削減する手法を提案する。 提案手法は, 検討されたベースラインと比較して, エネルギー消費が最小限であり, 排出コストが$CO$となる。
  論文  参考訳（メタデータ） (2021-06-02T07:36:27Z)
• A Privacy-Preserving-Oriented DNN Pruning and Mobile Acceleration Framework [56.57225686288006]
  モバイルエッジデバイスの限られたストレージとコンピューティング能力を満たすために、ディープニューラルネットワーク(DNN)の軽量プルーニングが提案されている。 従来のプルーニング手法は主に、ユーザデータのプライバシを考慮せずに、モデルのサイズを減らしたり、パフォーマンスを向上させることに重点を置いていた。 プライベートトレーニングデータセットを必要としないプライバシ保護指向のプルーニングおよびモバイルアクセラレーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-13T23:52:03Z)

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。