論文の概要: In-field Calibration of Low-Cost Sensors through XGBoost $\&$ Aggregate Sensor Data

• arxiv url: http://arxiv.org/abs/2506.15840v1
• Date: Wed, 18 Jun 2025 19:40:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-23 19:00:04.827135
• Title: In-field Calibration of Low-Cost Sensors through XGBoost $\&$ Aggregate Sensor Data
• Title（参考訳）: XGBoost$&$アグリゲートセンサデータによる低コストセンサのフィールド校正
• Authors: Kevin Yin, Julia Gersey, Pei Zhang,
• Abstract要約: 高精度なセンサーは高価で、空間配置が制限され、カバー範囲も制限される。 低コストのセンサーが普及しているが、環境に敏感なことや製造の多様性が原因で漂流する傾向にある。 本稿では,XGBoostアンサンブル学習を用いたフィールド内センサキャリブレーションモデルを提案する。
• 参考スコア（独自算出の注目度）: 2.7832348184252056
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Effective large-scale air quality monitoring necessitates distributed sensing due to the pervasive and harmful nature of particulate matter (PM), particularly in urban environments. However, precision comes at a cost: highly accurate sensors are expensive, limiting the spatial deployments and thus their coverage. As a result, low-cost sensors have become popular, though they are prone to drift caused by environmental sensitivity and manufacturing variability. This paper presents a model for in-field sensor calibration using XGBoost ensemble learning to consolidate data from neighboring sensors. This approach reduces dependence on the presumed accuracy of individual sensors and improves generalization across different locations.
• Abstract（参考訳）: 大規模大気質モニタリングは,特に都市環境において,粒子状物質(PM)の広範で有害な性質による分散センシングを必要とする。 高精度なセンサーは高価で、空間配置が制限され、カバー範囲が制限される。 その結果, 低コストセンサが普及しているが, 環境感度と製造変動性によりドリフトする傾向にある。 本稿では,XGBoostアンサンブル学習を用いたフィールド内センサキャリブレーションモデルを提案する。 このアプローチは、個々のセンサの推定精度への依存を減らし、異なる位置における一般化を改善する。

関連論文リスト

• MSSIDD: A Benchmark for Multi-Sensor Denoising [55.41612200877861]
  我々は,マルチセンサSIDDデータセットという新しいベンチマークを導入する。これは,認知モデルのセンサ伝達性を評価するために設計された,最初の生ドメインデータセットである。 そこで本研究では,センサに不変な特徴を認知モデルで学習することのできるセンサ一貫性トレーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-18T13:32:59Z)
• Efficient Unsupervised Domain Adaptation Regression for Spatial-Temporal Air Quality Sensor Fusion [6.963971634605796]
  本稿では,グラフ構造データに対する回帰処理に適した新しいunsupervised domain adapt(UDA)手法を提案する。 センサ間の関係をモデル化するために、時空間グラフニューラルネットワーク(STGNN)を組み込んだ。 弊社のアプローチでは、安価なIoTセンサが高価な参照センサから校正パラメータを学習できる。
  論文  参考訳（メタデータ） (2024-11-11T12:20:57Z)
• Spatial-Temporal Graph Attention Fuser for Calibration in IoT Air Pollution Monitoring Systems [8.997596859735516]
  本稿では,センサアレイからのデータを融合させることによりキャリブレーションのプロセスを改善する新しい手法を提案する。 我々は,IoT大気汚染監視プラットフォームにおけるセンサの校正精度を大幅に向上させる手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-09-08T12:04:47Z)
• Detection of Sensor-To-Sensor Variations using Explainable AI [2.2956649873563952]
  化学抵抗性ガス検知装置は製造中のセンサの変動の問題に悩まされている。 本研究では、SHAP(SHAP)のAI(XAI)法を用いて、センサデバイスにおけるセンサとセンサの変動を検出する新しい手法を提案する。 本手法は,GRU(Gated Recurrent Unit)モデルをトレーニングするために,人工的および現実的なオゾン濃度プロファイルを用いて試験する。
  論文  参考訳（メタデータ） (2023-06-19T11:00:54Z)
• Environmental Sensor Placement with Convolutional Gaussian Neural Processes [65.13973319334625]
  センサーは、特に南極のような遠隔地において、その測定の情報量が最大になるように配置することは困難である。 確率論的機械学習モデルは、予測の不確実性を最大限に低減するサイトを見つけることによって、情報的センサ配置を提案することができる。 本稿では,これらの問題に対処するために,畳み込み型ガウスニューラルプロセス(ConvGNP)を提案する。
  論文  参考訳（メタデータ） (2022-11-18T17:25:14Z)
• Modelling calibration uncertainty in networks of environmental sensors [2.016542873726103]
  低コストセンサーのネットワークはユビキタスになりつつあるが、しばしば低い精度とドリフトに悩まされている。 本稿では,センサネットワーク間のキャリブレーションをモデル化するための変分手法を提案する。 人工空気汚染データと実際の大気汚染データの両方に対するアプローチを実証し、技術の現状よりも優れた性能が得られることを発見した。
  論文  参考訳（メタデータ） (2022-05-04T10:38:45Z)
• Sensor Sampling Trade-Offs for Air Quality Monitoring With Low-Cost Sensors [0.1957338076370071]
  本研究では, 対流圏オゾン, 二酸化窒素, 一酸化窒素の低コストセンサの校正におけるデータサンプリング戦略の影響について述べる。 具体的には,センササブシステムのデューティサイクルを最小化するサンプリング戦略によって,データ品質を維持しながら消費電力を削減できることを示す。
  論文  参考訳（メタデータ） (2021-12-14T11:05:55Z)
• Real-time detection of uncalibrated sensors using Neural Networks [62.997667081978825]
  オンライン学習に基づく温度・湿度・圧力センサの非校正検出装置を開発した。 このソリューションはニューラルネットワークをメインコンポーネントとして統合し、校正条件下でのセンサーの動作から学習する。 その結果, 提案手法は, 偏差値0.25度, 1% RH, 1.5Paの偏差をそれぞれ検出できることがわかった。
  論文  参考訳（メタデータ） (2021-02-02T15:44:39Z)
• Deep Soft Procrustes for Markerless Volumetric Sensor Alignment [81.13055566952221]
  本研究では、より堅牢なマルチセンサ空間アライメントを実現するために、マーカーレスデータ駆動対応推定を改善する。 我々は、幾何学的制約を終末的に典型的なセグメンテーションベースモデルに組み込み、対象のポーズ推定タスクと中間密な分類タスクをブリッジする。 実験により,マーカーベースの手法で同様の結果が得られ,マーカーレス手法よりも優れ,またキャリブレーション構造のポーズ変動にも頑健であることがわかった。
  論文  参考訳（メタデータ） (2020-03-23T10:51:32Z)

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。