論文の概要: MECKD: Deep Learning-Based Fall Detection in Multilayer Mobile Edge Computing With Knowledge Distillation

• arxiv url: http://arxiv.org/abs/2510.03601v1
• Date: Sat, 04 Oct 2025 01:31:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:59.145179
• Title: MECKD: Deep Learning-Based Fall Detection in Multilayer Mobile Edge Computing With Knowledge Distillation
• Title（参考訳）: MECKD:知識蒸留による多層モバイルエッジコンピューティングにおけるディープラーニングによるフォール検出
• Authors: Wei-Lung Mao, Chun-Chi Wang, Po-Heng Chou, Kai-Chun Liu, Yu Tsao,
• Abstract要約: 精度とレイテンシのバランスをとるための多層MECフレームワークを提案する。 フロントエンド検出精度を向上させるため, 知識蒸留法(KD)を用いた。 その結果、KDアプローチにより、SisFallデータセットでは11.65%、FallAllDデータセットでは2.78%の精度が向上した。
• 参考スコア（独自算出の注目度）: 15.003413503684586
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rising aging population has increased the importance of fall detection (FD) systems as an assistive technology, where deep learning techniques are widely applied to enhance accuracy. FD systems typically use edge devices (EDs) worn by individuals to collect real-time data, which are transmitted to a cloud center (CC) or processed locally. However, this architecture faces challenges such as a limited ED model size and data transmission latency to the CC. Mobile edge computing (MEC), which allows computations at MEC servers deployed between EDs and CC, has been explored to address these challenges. We propose a multilayer MEC (MLMEC) framework to balance accuracy and latency. The MLMEC splits the architecture into stations, each with a neural network model. If front-end equipment cannot detect falls reliably, data are transmitted to a station with more robust back-end computing. The knowledge distillation (KD) approach was employed to improve front-end detection accuracy by allowing high-power back-end stations to provide additional learning experiences, enhancing precision while reducing latency and processing loads. Simulation results demonstrate that the KD approach improved accuracy by 11.65% on the SisFall dataset and 2.78% on the FallAllD dataset. The MLMEC with KD also reduced the data latency rate by 54.15% on the FallAllD dataset and 46.67% on the SisFall dataset compared to the MLMEC without KD. In summary, the MLMEC FD system exhibits improved accuracy and reduced latency.
• Abstract（参考訳）: 高齢化に伴い、深層学習技術が広く応用され精度が向上する補助技術として、転倒検出(FD)システムの重要性が高まっている。 FDシステムは通常、個人が着用するエッジデバイス(ED)を使用してリアルタイムデータを収集し、クラウドセンター(CC)に送信するか、ローカルに処理する。 しかし、このアーキテクチャは、EDモデルのサイズの制限やCCへのデータ転送遅延といった課題に直面している。 EDとCCの間にデプロイされたMECサーバでの計算を可能にするモバイルエッジコンピューティング(MEC)は、これらの課題に対処するために研究されている。 精度とレイテンシのバランスをとるための多層MEC(MLMEC)フレームワークを提案する。 MLMECはアーキテクチャをニューラルネットワークモデルでステーションに分割する。 フロントエンド機器がフォールを確実に検出できない場合、データはより堅牢なバックエンドコンピューティングを持つステーションに送信される。 知識蒸留(KD)アプローチは,高出力バックエンド局が学習体験を付加し,レイテンシの低減と処理負荷の低減を図り,フロントエンド検出の精度を向上させるために用いられた。 シミュレーションの結果、KDアプローチはSisFallデータセットでは11.65%、FallAllDデータセットでは2.78%精度が向上した。 KDのMLMECは、FallAllDデータセットでは54.15%、SisFallデータセットでは46.67%、KDのないMLMECでは54.15%削減した。 要約すると、MLMEC FD システムは精度の向上とレイテンシの低減を実現している。

関連論文リスト

• LSM-2: Learning from Incomplete Wearable Sensor Data [65.58595667477505]
  本稿では,Adaptive and Inherited Masking (AIM)を用いた第2世代Large Sensor Model (LSM-2)を紹介する。 AIMは明示的な計算を必要とせず、不完全なデータから直接堅牢な表現を学習する。 AIMを用いた LSM-2 は, 分類, 回帰, 生成モデルなど, 多様なタスクにまたがる最高の性能を実現する。
  論文  参考訳（メタデータ） (2025-06-05T17:57:11Z)
• An Investigation on Machine Learning Predictive Accuracy Improvement and Uncertainty Reduction using VAE-based Data Augmentation [2.517043342442487]
  深層生成学習は、特定のMLモデルを使用して、既存のデータの基盤となる分布を学習し、実際のデータに似た合成サンプルを生成する。 本研究では,変分オートエンコーダ(VAE)を用いた深部生成モデルを用いて,データ拡張の有効性を評価することを目的とする。 本研究では,拡張データを用いてトレーニングしたディープニューラルネットワーク(DNN)モデルの予測において,データ拡張が精度の向上につながるかどうかを検討した。
  論文  参考訳（メタデータ） (2024-10-24T18:15:48Z)
• Digital Twin-Based User-Centric Edge Continual Learning in Integrated Sensing and Communication [12.78137871351962]
  本稿では,ISACシステムにおけるセンサデータ処理のためのディジタルツイン(DT)に基づくユーザ中心アプローチを提案する。 ISAC装置のDTは、サーバの長期計算コストに対する潜在的な決定の影響を予測するために構築される。 提案手法の優れた性能を示すために,DNNに基づく人体動作認識タスクの実行実験を行った。
  論文  参考訳（メタデータ） (2023-11-20T22:27:14Z)
• Machine Learning Force Fields with Data Cost Aware Training [94.78998399180519]
  分子動力学(MD)シミュレーションを加速するために機械学習力場(MLFF)が提案されている。 最もデータ効率のよいMLFFであっても、化学精度に達するには数百フレームの力とエネルギーのラベルが必要になる。 我々は、安価な不正確なデータと高価な正確なデータの組み合わせを利用して、MLFFのデータコストを下げる多段階計算フレームワークASTEROIDを提案する。
  論文  参考訳（メタデータ） (2023-06-05T04:34:54Z)
• Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
  我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。 CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。 睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
  論文  参考訳（メタデータ） (2023-05-30T08:24:01Z)
• Cellular Network Capacity and Coverage Enhancement with MDT Data and Deep Reinforcement Learning [2.2412873466757297]
  本稿では,TIMのセルネットワークからセル群に傾斜したアンテナをチューニングすることにより,DRL(Deep Reinforcement Learning)アルゴリズムを用いて,範囲とキャパシティを最適化する。 我々は、MDTデータ、電磁シミュレーション、ネットワークキーパフォーマンスインジケータ(KPI)を併用して、Deep Q-Network(DQN)エージェントのトレーニングのためのシミュレーションネットワーク環境を定義する。
  論文  参考訳（メタデータ） (2022-02-22T15:16:53Z)
• Deep Reinforcement Learning Assisted Federated Learning Algorithm for Data Management of IIoT [82.33080550378068]
  産業用IoT(Industrial Internet of Things)の継続的な拡大により、IIoT機器は毎回大量のユーザデータを生成する。 IIoTの分野で、これらの時系列データを効率的かつ安全な方法で管理する方法は、依然として未解決の問題である。 本稿では,無線ネットワーク環境におけるIIoT機器データ管理におけるFL技術の適用について検討する。
  論文  参考訳（メタデータ） (2022-02-03T07:12:36Z)
• Identity-Aware Attribute Recognition via Real-Time Distributed Inference in Mobile Edge Clouds [53.07042574352251]
  我々は、MEC対応カメラ監視システムにおいて、re-IDを用いた歩行者属性認識のための新しいモデルの設計を行う。 本稿では,属性認識と人物再IDを協調的に考慮し,分散モジュールの集合を持つ新しい推論フレームワークを提案する。 そこで我々は,提案した分散推論フレームワークのモジュール分布の学習に基づくアルゴリズムを考案した。
  論文  参考訳（メタデータ） (2020-08-12T12:03:27Z)
• Deep Anomaly Detection for Time-series Data in Industrial IoT: A Communication-Efficient On-device Federated Learning Approach [40.992167455141946]
  本稿では,IIoTにおける時系列データ検出のための,新しい通信効率の高いデバイス上でのフェデレーション学習(FL)に基づく深層異常検出フレームワークを提案する。 まず、分散エッジデバイスが協調して異常検出モデルを訓練し、その一般化能力を向上させるためのFLフレームワークを導入する。 次に,アテンションメカニズムに基づく畳み込みニューラルネットワーク-Long Short Term Memory (AMCNN-LSTM) モデルを提案し,異常を正確に検出する。 第三に,提案したフレームワークを産業異常検出のタイムラインに適用するために,トップテキスト選択に基づく勾配圧縮機構を提案する。
  論文  参考訳（メタデータ） (2020-07-19T16:47:26Z)
• pAElla: Edge-AI based Real-Time Malware Detection in Data Centers [19.967347450443803]
  我々は、高解像度電力消費におけるAI駆動エッジコンピューティングを含むDC/SCのセキュリティを高めるための新しいアプローチについて報告する。 pAEllaと呼ばれるこの方法は、リアルタイムマルウェア検出(MD)をターゲットにしており、DC/SC用のアウトオブバンドIoTベースの監視システムで動作し、電力測定のパワースペクトル密度を含む。 F1スコアは1に近づき、False AlarmとMalware Missは0%に近づいた。
  論文  参考訳（メタデータ） (2020-04-07T19:48:57Z)
• Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
  本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。 本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。 提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
  論文  参考訳（メタデータ） (2020-01-10T05:29:17Z)

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。