論文の概要: Highly Efficient Direct Analytics on Semantic-aware Time Series Data Compression

• arxiv url: http://arxiv.org/abs/2503.13246v1
• Date: Mon, 17 Mar 2025 14:58:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-18 12:27:54.660281
• Title: Highly Efficient Direct Analytics on Semantic-aware Time Series Data Compression
• Title（参考訳）: 意味認識型時系列データ圧縮における高能率直接解析
• Authors: Guoyou Sun, Panagiotis Karras, Qi Zhang,
• Abstract要約: 本稿では,SHRINK圧縮アルゴリズムにより圧縮された時系列データを直接解析する手法を提案する。 このアプローチは、さまざまなIoTアプリケーションに対して、信頼性が高く、高速な外れ値検出分析を提供します。
• 参考スコア（独自算出の注目度）: 15.122371541057339
• License:
• Abstract: Semantic communication has emerged as a promising paradigm to tackle the challenges of massive growing data traffic and sustainable data communication. It shifts the focus from data fidelity to goal-oriented or task-oriented semantic transmission. While deep learning-based methods are commonly used for semantic encoding and decoding, they struggle with the sequential nature of time series data and high computation cost, particularly in resource-constrained IoT environments. Data compression plays a crucial role in reducing transmission and storage costs, yet traditional data compression methods fall short of the demands of goal-oriented communication systems. In this paper, we propose a novel method for direct analytics on time series data compressed by the SHRINK compression algorithm. Through experimentation using outlier detection as a case study, we show that our method outperforms baselines running on uncompressed data in multiple cases, with merely 1% difference in the worst case. Additionally, it achieves four times lower runtime on average and accesses approximately 10% of the data volume, which enables edge analytics with limited storage and computation power. These results demonstrate that our approach offers reliable, high-speed outlier detection analytics for diverse IoT applications while extracting semantics from time-series data, achieving high compression, and reducing data transmission.
• Abstract（参考訳）: セマンティック通信は、膨大なデータトラフィックと持続可能なデータ通信の課題に取り組むための、有望なパラダイムとして登場した。 データ忠実度から目標指向あるいはタスク指向のセマンティックトランスミッションに焦点を移す。 ディープラーニングベースの手法は、セマンティックエンコーディングやデコーディングに一般的に使用されるが、時系列データのシーケンシャルな性質と高い計算コスト、特にリソース制約のあるIoT環境では苦労している。 データ圧縮は送信コストとストレージコストを削減する上で重要な役割を担っているが、従来のデータ圧縮手法はゴール指向通信システムの要求に届かなかった。 本稿では,SHRINK圧縮アルゴリズムにより圧縮された時系列データを直接解析する手法を提案する。 ケーススタディとして,外乱検出を用いた実験により,複数のケースにおいて非圧縮データ上で動作するベースラインよりも優れており,最悪のケースでは1%の差がみられた。 さらに、平均して4倍のランタイムを実現し、データボリュームの約10%にアクセスし、ストレージと計算能力に制限のあるエッジ分析を可能にする。 これらの結果から,本手法は,時系列データからセマンティクスを抽出し,高い圧縮を実現し,データ伝送を低減しつつ,多様なIoTアプリケーションに対して信頼性の高い高速異常検出分析を提供することを示す。

関連論文リスト

• Accelerated Methods with Compressed Communications for Distributed Optimization Problems under Data Similarity [55.03958223190181]
  本稿では,データ類似性の下での非バイアス圧縮とバイアス圧縮を利用した,理論上初めての高速化アルゴリズムを提案する。 我々の結果は、異なる平均損失とデータセットに関する実験によって記録され、確認されています。
  論文  参考訳（メタデータ） (2024-12-21T00:40:58Z)
• Efficient Compression of Sparse Accelerator Data Using Implicit Neural Representations and Importance Sampling [7.838980097597047]
  核物理学と高エネルギー物理学における大規模粒子衝突は、異常な速度でデータを生成する。 データ学習と圧縮のための暗黙的ニューラル表現を用いた新しい手法を提案する。 また,ネットワークトレーニングプロセスの高速化のための重要サンプリング手法も導入する。
  論文  参考訳（メタデータ） (2024-12-02T17:50:49Z)
• 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)
• AutoFlow: An Autoencoder-based Approach for IP Flow Record Compression with Minimal Impact on Traffic Classification [0.0]
  本稿では,自動エンコーダを用いてIPフローレコードを圧縮する深層学習方式を提案する。 提案手法は,下流解析タスクにおける圧縮データの有用性を維持しながら,データ量を削減する。 この作業の影響は、より効率的なネットワーク監視とスケーラブルでリアルタイムなネットワーク管理ソリューションにまで及ぶ。
  論文  参考訳（メタデータ） (2024-09-17T11:24:22Z)
• Cross-domain Learning Framework for Tracking Users in RIS-aided Multi-band ISAC Systems with Sparse Labeled Data [55.70071704247794]
  統合センシング・通信(ISAC)は6G通信において重要であり、再構成可能なインテリジェントサーフェス(RIS)の急速な発展によって促進される 本稿では,複数の帯域にまたがるマルチモーダルCSIインジケータを協調的に活用し,クロスドメイン方式で追跡機能をモデル化するX2Trackフレームワークを提案する。 X2Trackの下では、トランスフォーマーニューラルネットワークと逆学習技術に基づいて、トラッキングエラーを最小限に抑える効率的なディープラーニングアルゴリズムを設計する。
  論文  参考訳（メタデータ） (2024-05-10T08:04:27Z)
• Computationally and Memory-Efficient Robust Predictive Analytics Using Big Data [0.0]
  本研究では、データ不確実性、ストレージ制限、ビッグデータを用いた予測データ駆動モデリングの課題をナビゲートする。 本稿では,ロバスト主成分分析(RPCA)を有効ノイズ低減と外乱除去に利用し,最適センサ配置(OSP)を効率的なデータ圧縮・記憶に活用する。
  論文  参考訳（メタデータ） (2024-03-27T22:39:08Z)
• Enabling robust sensor network design with data processing and optimization making use of local beehive image and video files [0.0]
  最先端のエッジコンピューティング技術を使ってデータ転送とストレージを最適化する革命的なパラダイムです。 提案手法は,画像とビデオのデータ圧縮と数値データに対するデータ集約技術を組み合わせたものである。 このアプローチの重要な側面は、リソース制約のある環境での運用を可能にすることです。
  論文  参考訳（メタデータ） (2024-02-26T15:27:47Z)
• 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)
• Deep Cellular Recurrent Network for Efficient Analysis of Time-Series Data with Spatial Information [52.635997570873194]
  本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。 提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
  論文  参考訳（メタデータ） (2021-01-12T20:08:18Z)
• Straggler-Resilient Federated Learning: Leveraging the Interplay Between Statistical Accuracy and System Heterogeneity [57.275753974812666]
  フェデレーション学習は、データをローカルに保持しながら、クライアントのネットワークに分散したデータサンプルから学習する。 本稿では,学習手順を高速化するために,クライアントデータの統計的特徴を取り入れてクライアントを適応的に選択する,ストラグラー・レジリエントなフェデレーション学習手法を提案する。
  論文  参考訳（メタデータ） (2020-12-28T19:21:14Z)

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。