論文の概要: SPAR: Self-supervised Placement-Aware Representation Learning for Multi-Node IoT Systems

• arxiv url: http://arxiv.org/abs/2505.16936v1
• Date: Thu, 22 May 2025 17:26:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-23 17:12:48.497355
• Title: SPAR: Self-supervised Placement-Aware Representation Learning for Multi-Node IoT Systems
• Title（参考訳）: SPAR: マルチノードIoTシステムのための自己教師型配置認識表現学習
• Authors: Yizhuo Chen, Tianchen Wang, You Lyu, Yanlan Hu, Jinyang Li, Tomoyoshi Kimura, Hongjue Zhao, Yigong Hu, Denizhan Kara, Tarek Abdelzaher,
• Abstract要約: 本研究は,空間分布型(マルチビューおよびマルチモーダル)センサを用いた自己教師型配置認識型表現学習の基盤となるものを開発する。 本フレームワークは,測度と幾何学的オブザーバ配置と構造特性の依存関係を明示的に学習する。 実世界の3つのデータセット(車両監視、人間活動認識、地震の局所化)の実験は、我々の手法の優れた一般化性と堅牢性を実証している。
• 参考スコア（独自算出の注目度）: 5.624456529149801
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This work develops the underpinnings of self-supervised placement-aware representation learning given spatially-distributed (multi-view and multimodal) sensor observations, motivated by the need to represent external environmental state in multi-sensor IoT systems in a manner that correctly distills spatial phenomena from the distributed multi-vantage observations. The objective of sensing in IoT systems is, in general, to collectively represent an externally observed environment given multiple vantage points from which sensory observations occur. Pretraining of models that help interpret sensor data must therefore encode the relation between signals observed by sensors and the observers' vantage points in order to attain a representation that encodes the observed spatial phenomena in a manner informed by the specific placement of the measuring instruments, while allowing arbitrary placement. The work significantly advances self-supervised model pretraining from IoT signals beyond current solutions that often overlook the distinctive spatial nature of IoT data. Our framework explicitly learns the dependencies between measurements and geometric observer layouts and structural characteristics, guided by a core design principle: the duality between signals and observer positions. We further provide theoretical analyses from the perspectives of information theory and occlusion-invariant representation learning to offer insight into the rationale behind our design. Experiments on three real-world datasets--covering vehicle monitoring, human activity recognition, and earthquake localization--demonstrate the superior generalizability and robustness of our method across diverse modalities, sensor placements, application-level inference tasks, and spatial scales.
• Abstract（参考訳）: 本研究は,空間分布型(マルチビューおよびマルチモーダル)センサによる自己監督型配置認識型表現学習の基盤を,分散マルチヴァンテージ観測から空間現象を正確に蒸留する方法として,マルチセンサIoTシステムにおける外部環境状態の表現の必要性を動機としたものである。 IoTシステムにおけるセンシングの目的は、一般的に、感覚観察が行われる複数のベタージュポイントが与えられた外部観察環境を集合的に表現することである。 センサデータの解釈を支援するモデルの事前訓練は、センサによって観測された信号と観測者の不測点の関係を符号化し、観測された空間現象を、任意の配置を許容しつつ、測定器の特定の配置によって通知された方法で符号化する表現を得る必要がある。 この作業は、IoTデータ特有の空間的性質を見落としている現在のソリューションを超えて、IoT信号からの自己教師付きモデル事前トレーニングを大幅に前進させる。 本フレームワークは,信号とオブザーバ位置の双対性という基本設計原理によって導かれる,測度と幾何学的オブザーバレイアウトと構造的特性の依存関係を明示的に学習する。 さらに,情報理論とオクルージョン不変表現学習の観点から理論的分析を行い,設計の背景にある理論的根拠について考察する。 実世界の3つのデータセット(車両監視、人的活動認識、地震の局所化)に関する実験は、様々なモード、センサー配置、アプリケーションレベルの推論タスク、空間スケールにまたがって、我々の手法の優れた一般化性と堅牢性を実証している。

関連論文リスト

• SITE: towards Spatial Intelligence Thorough Evaluation [121.1493852562597]
  空間知能 (Spatial Intelligence, SI) は、空間的関係の可視化、操作、推論を含む認知能力を表す。 SI Thorough Evaluationに向けたベンチマークデータセットであるSITEを紹介する。 ベンチマークの計算には、31の既存のデータセットに関するボトムアップ調査と、認知科学の3つの分類システムに基づくトップダウン戦略を組み合わせる。
  論文  参考訳（メタデータ） (2025-05-08T17:45:44Z)
• Graph-Based Multi-Modal Sensor Fusion for Autonomous Driving [3.770103075126785]
  本稿では,グラフに基づく状態表現の開発に焦点をあてた,マルチモーダルセンサ融合に対する新しいアプローチを提案する。 本稿では,マルチモーダルグラフを融合する最初のオンライン状態推定手法であるSensor-Agnostic Graph-Aware Kalman Filterを提案する。 提案手法の有効性を,合成および実世界の運転データセットを用いた広範囲な実験により検証した。
  論文  参考訳（メタデータ） (2024-11-06T06:58:17Z)
• Neural Plasticity-Inspired Multimodal Foundation Model for Earth Observation [48.66623377464203]
  我々の新しいアプローチは、脳科学における神経可塑性の概念を活用する、ダイナミックワンフォーオール(DOFA)モデルを導入している。 このダイナミックなハイパーネットワークは、異なる波長に調整され、5つのセンサーのデータに基づいて1つの多目的トランスフォーマーを共同で訓練し、12の異なる地球観測タスクを遂行することを可能にする。
  論文  参考訳（メタデータ） (2024-03-22T17:11:47Z)
• Subject Independent Emotion Recognition using EEG Signals Employing Attention Driven Neural Networks [2.76240219662896]
  主観非依存の感情認識が可能な新しいディープラーニングフレームワークを提案する。 タスクを実行するために、アテンションフレームワークを備えた畳み込みニューラルネットワーク(CNN)を提示する。 提案手法は、公開データセットを使用して検証されている。
  論文  参考訳（メタデータ） (2021-06-07T09:41:15Z)
• TRiPOD: Human Trajectory and Pose Dynamics Forecasting in the Wild [77.59069361196404]
  TRiPODは、グラフの注目ネットワークに基づいて身体のダイナミクスを予測する新しい方法です。 実世界の課題を取り入れるために,各フレームで推定された身体関節が可視・視認可能かどうかを示す指標を学習する。 評価の結果,TRiPODは,各軌道に特化して設計され,予測タスクに特化している。
  論文  参考訳（メタデータ） (2021-04-08T20:01:00Z)
• Energy Aware Deep Reinforcement Learning Scheduling for Sensors Correlated in Time and Space [62.39318039798564]
  相関情報を利用するスケジューリング機構を提案する。 提案したメカニズムは、センサが更新を送信する頻度を決定することができる。 我々は,センサの寿命を大幅に延長できることを示した。
  論文  参考訳（メタデータ） (2020-11-19T09:53:27Z)
• Learning Selective Sensor Fusion for States Estimation [47.76590539558037]
  本稿では,エンド・ツー・エンドのセンサ・フュージョン・モジュールであるSelectFusionを提案する。 予測中、ネットワークは異なるセンサーモードから潜伏する特徴の信頼性を評価することができる。 我々は、公開データセットと漸進的に劣化したデータセットの両方において、すべての融合戦略を広範囲に評価する。
  論文  参考訳（メタデータ） (2019-12-30T20:25:16Z)

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。