論文の概要: Toward Foundation Models for Online Complex Event Detection in CPS-IoT: A Case Study

• arxiv url: http://arxiv.org/abs/2503.12282v1
• Date: Sat, 15 Mar 2025 22:39:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-18 12:34:22.398342
• Title: Toward Foundation Models for Online Complex Event Detection in CPS-IoT: A Case Study
• Title（参考訳）: CPS-IoTにおけるオンライン複合イベント検出のための基礎モデルに向けた事例研究
• Authors: Liying Han, Gaofeng Dong, Xiaomin Ouyang, Lance Kaplan, Federico Cerutti, Mani Srivastava,
• Abstract要約: 複雑なイベント(CE)は、CPS-IoTアプリケーションにおいて重要な役割を担い、高いレベルの意思決定を可能にする。 既存のモデルでは、CE検出に必要な長期的な推論が欠如している。 本研究は,長期的推論が可能なCPS-IoT基盤モデルのケーススタディとしてCE検出について検討する。
• 参考スコア（独自算出の注目度）: 3.651233766923452
• License:
• Abstract: Complex events (CEs) play a crucial role in CPS-IoT applications, enabling high-level decision-making in domains such as smart monitoring and autonomous systems. However, most existing models focus on short-span perception tasks, lacking the long-term reasoning required for CE detection. CEs consist of sequences of short-time atomic events (AEs) governed by spatiotemporal dependencies. Detecting them is difficult due to long, noisy sensor data and the challenge of filtering out irrelevant AEs while capturing meaningful patterns. This work explores CE detection as a case study for CPS-IoT foundation models capable of long-term reasoning. We evaluate three approaches: (1) leveraging large language models (LLMs), (2) employing various neural architectures that learn CE rules from data, and (3) adopting a neurosymbolic approach that integrates neural models with symbolic engines embedding human knowledge. Our results show that the state-space model, Mamba, which belongs to the second category, outperforms all methods in accuracy and generalization to longer, unseen sensor traces. These findings suggest that state-space models could be a strong backbone for CPS-IoT foundation models for long-span reasoning tasks.
• Abstract（参考訳）: 複雑なイベント(CE)は、CPS-IoTアプリケーションにおいて重要な役割を担い、スマート監視や自律システムといったドメインにおける高いレベルの意思決定を可能にする。 しかし、既存のモデルのほとんどは、CE検出に必要な長期的な推論が欠如している、短期的な知覚タスクに焦点を当てている。 CEは、時空間依存によって支配される短時間原子イベント(AE)のシーケンスから構成される。 長いノイズの多いセンサデータと、意味のあるパターンを捉えながら無関係なAEをフィルタリングする難しさにより、検出は困難である。 本研究は,長期的推論が可能なCPS-IoT基盤モデルのケーススタディとしてCE検出について検討する。 1)大規模言語モデル(LLM)を活用すること,(2)データからCE規則を学習するさまざまなニューラルアーキテクチャを採用すること,(3)ニューラルネットワークと人間の知識を埋め込んだ記号エンジンを統合するニューロシンボリックアプローチを採用すること,の3つのアプローチを評価する。 その結果,2番目のカテゴリに属する状態空間モデルであるMambaは,より長いセンサトレースに対して精度と一般化の点で,すべての手法より優れていることがわかった。 これらの結果は、状態空間モデルは長期の推論タスクのためのCPS-IoT基盤モデルの強力なバックボーンになり得ることを示唆している。

関連論文リスト

• NARCE: A Mamba-Based Neural Algorithmic Reasoner Framework for Online Complex Event Detection [3.651233766923452]
  現在の機械学習モデルは、短時間の知覚タスクでは優れているが、長期的な観察からハイレベルな洞察を引き出すのに苦労している。 ニューラルネットワーク推論(NAR)とセンサ入力をアダプタを介してこれらのルールにマッピングするフレームワークであるNARCEを提案する。 以上の結果から, NARCEは, 一般化におけるベースラインよりも優れ, センサデータやデータ効率に優れることがわかった。
  論文  参考訳（メタデータ） (2025-02-11T04:34:53Z)
• CEReBrO: Compact Encoder for Representations of Brain Oscillations Using Efficient Alternating Attention [53.539020807256904]
  交互注意(CEReBrO)を用いた脳振動の表現のための圧縮法について紹介する。 トークン化方式は、チャネルごとのパッチで脳波信号を表現します。 本研究では,チャネル内時間的ダイナミックスとチャネル間空間的相関を共同でモデル化し,通常の自己アテンションに比べて6倍少ないメモリで2倍の速度向上を実現するための注意機構を提案する。
  論文  参考訳（メタデータ） (2025-01-18T21:44:38Z)
• A Reliable Framework for Human-in-the-Loop Anomaly Detection in Time Series [17.08674819906415]
  HILADは、人間とAIの動的かつ双方向なコラボレーションを促進するために設計された、新しいフレームワークである。 ビジュアルインターフェースを通じて、HILADはドメインの専門家に、大規模な予期せぬモデルの振る舞いを検出し、解釈し、修正する権限を与えます。
  論文  参考訳（メタデータ） (2024-05-06T07:44:07Z)
• An Empirical Evaluation of Neural and Neuro-symbolic Approaches to Real-time Multimodal Complex Event Detection [5.803352384948482]
  従来のエンドツーエンドのニューラルネットワークは、コンテキストサイズや推論能力に制限があるため、長期にわたるイベントに苦労する。 人間の知識を活用するニューラルモデルとシンボリックモデルを統合するニューロシンボリック手法の最近の進歩は、少ないデータでパフォーマンスを向上させることを約束している。 本研究は,複合事象検出(CED)におけるこれらのアプローチの有効性のギャップを解消するものである。 マルチモーダルCEDタスクにおけるニューラル・ニューラル・シンボリック・アーキテクチャの性能について検討し,IMUおよび音響データストリームを分析してCEパターンを認識する。
  論文  参考訳（メタデータ） (2024-02-17T23:34:50Z)
• TC-LIF: A Two-Compartment Spiking Neuron Model for Long-Term Sequential Modelling [54.97005925277638]
  潜在的な可能性や危険に関連する感覚的手がかりの同定は、長期間の遅延によって有用な手がかりを分離する無関係な事象によってしばしば複雑になる。 SNN(State-of-the-art spiking Neural Network)は、遠方のキュー間の長期的な時間的依存関係を確立する上で、依然として困難な課題である。 そこで本研究では,T-LIFとよばれる,生物学的にインスパイアされたTwo-compartment Leaky Integrate- and-Fireのスパイキングニューロンモデルを提案する。
  論文  参考訳（メタデータ） (2023-08-25T08:54:41Z)
• Robustness and Generalization Performance of Deep Learning Models on Cyber-Physical Systems: A Comparative Study [71.84852429039881]
  調査は、センサーの故障やノイズなど、様々な摂動を扱うモデルの能力に焦点を当てている。 我々は,これらのモデルの一般化と伝達学習能力を,アウト・オブ・ディストリビューション(OOD)サンプルに公開することによって検証する。
  論文  参考訳（メタデータ） (2023-06-13T12:43:59Z)
• On a Uniform Causality Model for Industrial Automation [61.303828551910634]
  産業自動化の様々な応用分野に対する一様因果モデルを提案する。 得られたモデルは、サイバー物理システムの振る舞いを数学的に記述する。 このモデルは、機械学習に焦点を当てた産業自動化における新しいアプローチの応用の基盤として機能することが示されている。
  論文  参考訳（メタデータ） (2022-09-20T11:23:51Z)
• Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
  トレーニングセットとその構造が長期予測の品質に与える影響を考察する。 トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
  論文  参考訳（メタデータ） (2021-12-15T20:09:20Z)
• A Comprehensive Study on Temporal Modeling for Online Action Detection [50.558313106389335]
  オンライン行動検出(OAD)は実用的だが難しい課題であり、近年注目を集めている。 本稿では,4種類の時間的モデリング手法を含むOADの時間的モデリングに関する総合的研究を提案する。 本稿では,THUMOS-14 と TVSeries に対して,近年の最先端手法よりも大きなマージンを有するハイブリッド時間モデルを提案する。
  論文  参考訳（メタデータ） (2020-01-21T13:12:58Z)
• Cross-scale Attention Model for Acoustic Event Classification [45.15898265162008]
  我々は,異なるスケールの特徴を明示的に統合して最終表現を形成する,クロススケールアテンション(CSA)モデルを提案する。 提案したCSAモデルは,現在最先端のディープラーニングアルゴリズムの性能を効果的に向上できることを示す。
  論文  参考訳（メタデータ） (2019-12-27T07:28:57Z)

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。