論文の概要: Context-Aware Adaptive Sampling for Intelligent Data Acquisition Systems Using DQN

• arxiv url: http://arxiv.org/abs/2504.09344v1
• Date: Sat, 12 Apr 2025 21:11:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-23 08:01:45.634095
• Title: Context-Aware Adaptive Sampling for Intelligent Data Acquisition Systems Using DQN
• Title（参考訳）: DQNを用いたインテリジェントデータ取得システムのためのコンテキストアウェア適応サンプリング
• Authors: Weiqiang Huang, Juecen Zhan, Yumeng Sun, Xu Han, Tai An, Nan Jiang,
• Abstract要約: マルチセンサーシステムは、モノのインターネット、環境モニタリング、インテリジェントな製造で広く利用されている。 従来の固定周波数サンプリング戦略は、しばしば深刻なデータ冗長性、高エネルギー消費、適応性に繋がる。 本稿では,DQNに基づくマルチセンサ適応サンプリング最適化手法を提案する。
• 参考スコア（独自算出の注目度）: 11.090767298968286
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-sensor systems are widely used in the Internet of Things, environmental monitoring, and intelligent manufacturing. However, traditional fixed-frequency sampling strategies often lead to severe data redundancy, high energy consumption, and limited adaptability, failing to meet the dynamic sensing needs of complex environments. To address these issues, this paper proposes a DQN-based multi-sensor adaptive sampling optimization method. By leveraging a reinforcement learning framework to learn the optimal sampling strategy, the method balances data quality, energy consumption, and redundancy. We first model the multi-sensor sampling task as a Markov Decision Process (MDP), then employ a Deep Q-Network to optimize the sampling policy. Experiments on the Intel Lab Data dataset confirm that, compared with fixed-frequency sampling, threshold-triggered sampling, and other reinforcement learning approaches, DQN significantly improves data quality while lowering average energy consumption and redundancy rates. Moreover, in heterogeneous multi-sensor environments, DQN-based adaptive sampling shows enhanced robustness, maintaining superior data collection performance even in the presence of interference factors. These findings demonstrate that DQN-based adaptive sampling can enhance overall data acquisition efficiency in multi-sensor systems, providing a new solution for efficient and intelligent sensing.
• Abstract（参考訳）: マルチセンサーシステムは、モノのインターネット、環境モニタリング、インテリジェントな製造で広く利用されている。 しかし、従来の固定周波数サンプリング戦略は、しばしば深刻なデータ冗長性、高エネルギー消費、適応性の制限を招き、複雑な環境の動的な感覚のニーズを満たすことができない。 そこで本研究では,DQNに基づくマルチセンサ適応型サンプリング最適化手法を提案する。 最適なサンプリング戦略を学習するために強化学習フレームワークを活用することにより、データ品質、エネルギー消費、冗長性のバランスをとる。 まず、マルチセンササンプリングタスクをマルコフ決定プロセス(MDP)としてモデル化し、次にDeep Q-Networkを用いてサンプリングポリシーを最適化する。 Intel Lab Dataデータセットの実験では、固定周波数サンプリング、しきい値トリガーサンプリング、その他の強化学習アプローチと比較して、DQNは平均エネルギー消費と冗長率を低下させながら、データ品質を著しく改善することを確認した。 さらに、異種多センサ環境において、DQNに基づく適応サンプリングは、干渉要因の存在下においても、堅牢性が向上し、優れたデータ収集性能が維持される。 これらの結果から,DQNに基づく適応サンプリングにより,マルチセンサシステムにおける全体的なデータ取得効率が向上し,効率的かつインテリジェントなセンシングのための新たなソリューションが提供されることがわかった。

関連論文リスト

• FastMCTS: A Simple Sampling Strategy for Data Synthesis [67.60823802317141]
  我々はモンテカルロ木探索にインスパイアされた革新的なデータ合成戦略であるFastMCTSを紹介する。 FastMCTSは、ステップレベルの評価信号を提供するマルチステップ推論データに対して、より効率的なサンプリング方法を提供する。 英語と中国語の両方の推論データセットの実験では、FastMCTSが30%以上の正しい推論パスを生成することが示されている。
  論文  参考訳（メタデータ） (2025-02-17T06:27:57Z)
• Smart Sampling Strategies for Wireless Industrial Data Acquisition [0.0]
  本研究では,データ取得戦略の最適化がエイリアス効果や系統的誤りを低減させる方法について検討する。 サンプリング周波数の80%低減は測定品質を劣化させることなく達成された。
  論文  参考訳（メタデータ） (2025-02-08T20:22:29Z)
• 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)
• Adaptive Sampling for Continuous Group Equivariant Neural Networks [5.141137421503899]
  本稿では,データ中の対称性に対して動的にサンプリングプロセスを調整する適応型サンプリング手法を提案する。 その結果,モデル性能は向上し,メモリ効率は限界的に向上した。
  論文  参考訳（メタデータ） (2024-09-13T11:50:09Z)
• Sample-Driven Federated Learning for Energy-Efficient and Real-Time IoT Sensing [22.968661040226756]
  我々は,ソフトアクター・クリティカル(A2C)フレームワーク上に構築されたSCFL(Sample-driven Control for Federated Learning)というオンライン強化学習アルゴリズムを導入する。 SCFLにより、エージェントは動的に適応し、変化する環境においてもグローバルな最適条件を見つけることができる。
  論文  参考訳（メタデータ） (2023-10-11T13:50:28Z)
• Adaptive Resource Allocation for Virtualized Base Stations in O-RAN with Online Learning [55.08287089554127]
  基地局(vBS)を備えたオープンラジオアクセスネットワークシステムは、柔軟性の向上、コスト削減、ベンダーの多様性、相互運用性のメリットを提供する。 本研究では,予期せぬ「混み合う」環境下であっても,効率的なスループットとvBSエネルギー消費のバランスをとるオンライン学習アルゴリズムを提案する。 提案手法は, 課題のある環境においても, 平均最適性ギャップをゼロにすることで, サブ線形後悔を実現する。
  論文  参考訳（メタデータ） (2023-09-04T17:30:21Z)
• Optimal Sampling Designs for Multi-dimensional Streaming Time Series with Application to Power Grid Sensor Data [4.891140022708977]
  多次元ストリーミング時系列におけるデータ依存型サンプル選択とオンライン推論問題について検討する。 実験設計におけるD-Optimality criterionに着想を得て,オンラインデータ削減手法のクラスを提案する。 最適解はベルヌーイサンプリングとスコアサンプリングを混合した戦略であることを示す。
  論文  参考訳（メタデータ） (2023-03-14T21:26:30Z)
• Sensor Control for Information Gain in Dynamic, Sparse and Partially Observed Environments [1.5402666674186938]
  本研究では,部分観測可能,動的,疎密なサンプル環境下での情報収集のための自律型センサ制御手法を提案する。 本研究は,(1)新しい情報獲得報酬を用いて,未開の非定常環境における探索を改善することで,DAN強化学習フレームワークを拡張した。 また、目的のRFスペクトル/フィールドからのサンプリングが限定された状況にまで拡張し、制限されたフィールドサンプリングから反復的に改善されたモデルを介してコントローラを微調整するオリジナルのRLアルゴリズムのモデルベースバージョンを提案する。
  論文  参考訳（メタデータ） (2022-11-03T00:03:14Z)
• Feeling of Presence Maximization: mmWave-Enabled Virtual Reality Meets Deep Reinforcement Learning [76.46530937296066]
  本稿では,無線モバイルユーザに対して,超信頼性でエネルギー効率のよいバーチャルリアリティ(VR)体験を提供するという課題について検討する。 モバイルユーザへの信頼性の高い超高精細ビデオフレーム配信を実現するために,コーディネートマルチポイント(CoMP)伝送技術とミリ波(mmWave)通信を利用する。
  論文  参考訳（メタデータ） (2021-06-03T08:35:10Z)
• Learning to Continuously Optimize Wireless Resource in a Dynamic Environment: A Bilevel Optimization Perspective [52.497514255040514]
  この研究は、データ駆動メソッドが動的環境でリソース割り当て戦略を継続的に学び、最適化することを可能にする新しいアプローチを開発しています。 学習モデルが新たなエピソードに段階的に適応できるように、連続学習の概念を無線システム設計に組み込むことを提案する。 我々の設計は、異なるデータサンプルにまたがる公平性を保証する、新しい二段階最適化定式化に基づいている。
  論文  参考訳（メタデータ） (2021-05-03T07:23:39Z)
• Reinforcement Learning for Minimizing Age of Information in Real-time Internet of Things Systems with Realistic Physical Dynamics [158.67956699843168]
  本稿では,インターネット・オブ・モノ(IoT)デバイスにおける情報量(AoI)と総エネルギー消費の重み付けを最小化する問題について検討する。 サンプリングポリシを最適化するために,分散強化学習手法を提案する。 PM 2.5公害の実データを用いたシミュレーションでは、提案アルゴリズムがAoIの合計を最大17.8%および33.9%削減できることが示された。
  論文  参考訳（メタデータ） (2021-04-04T03:17:26Z)

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。