論文の概要: Edge-Based Predictive Data Reduction for Smart Agriculture: A Lightweight Approach to Efficient IoT Communication
- arxiv url: http://arxiv.org/abs/2511.19103v1
- Date: Mon, 24 Nov 2025 13:37:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-25 18:34:25.216584
- Title: Edge-Based Predictive Data Reduction for Smart Agriculture: A Lightweight Approach to Efficient IoT Communication
- Title（参考訳）: スマート農業のためのエッジベース予測データ削減 - 効率的なIoT通信のための軽量アプローチ
- Authors: Dora Krekovic, Mario Kusek, Ivana Podnar Zarko, Danh Le-Phuoc,
- Abstract要約: IoTデバイスの急速な成長は、処理のためにクラウドサーバへの送信を必要とする膨大なセンサデータを生み出しました。
これは、帯域幅が制限されたリソース制約とリモート環境において特に問題となる。
本稿では,エッジコンピューティング環境向けに設計され,シミュレーションにより検証された解析予測アルゴリズムを提案する。
- 参考スコア（独自算出の注目度）: 1.2249546377051437
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The rapid growth of IoT devices has led to an enormous amount of sensor data that requires transmission to cloud servers for processing, resulting in excessive network congestion, increased latency and high energy consumption. This is particularly problematic in resource-constrained and remote environments where bandwidth is limited, and battery-dependent devices further emphasize the problem. Moreover, in domains such as agriculture, consecutive sensor readings often have minimal variation, making continuous data transmission inefficient and unnecessarily resource intensive. To overcome these challenges, we propose an analytical prediction algorithm designed for edge computing environments and validated through simulation. The proposed solution utilizes a predictive filter at the network edge that forecasts the next sensor data point and triggers data transmission only when the deviation from the predicted value exceeds a predefined tolerance. A complementary cloud-based model ensures data integrity and overall system consistency. This dual-model strategy effectively reduces communication overhead and demonstrates potential for improving energy efficiency by minimizing redundant transmissions. In addition to reducing communication load, our approach leverages both in situ and satellite observations from the same locations to enhance model robustness. It also supports cross-site generalization, enabling models trained in one region to be effectively deployed elsewhere without retraining. This makes our solution highly scalable, energy-aware, and well-suited for optimizing sensor data transmission in remote and bandwidth-constrained IoT environments.
- Abstract（参考訳）: IoTデバイスの急速な成長により、大量のセンサデータが処理のためにクラウドサーバに送信されるようになり、過剰なネットワークの混雑、レイテンシの増加、高エネルギー消費につながった。
これは、帯域幅が限られているリソース制約とリモート環境において特に問題であり、バッテリー依存デバイスは問題をさらに強調する。
さらに、農業などの領域では、連続的なセンサ読み取りは最小限のばらつきを持ち、連続的なデータ伝送を非効率にし、不要にリソースを集中させる。
これらの課題を克服するために,エッジコンピューティング環境向けに設計され,シミュレーションにより検証された解析的予測アルゴリズムを提案する。
提案手法は,ネットワークエッジにおける予測フィルタを用いて,次のセンサデータポイントを予測し,予測値からのずれが予め定義された耐性を超える場合にのみデータ送信をトリガーする。
補完的なクラウドベースのモデルは、データの整合性とシステム全体の整合性を保証する。
この二重モデル戦略は、通信オーバーヘッドを効果的に低減し、冗長送信を最小化することでエネルギー効率を向上させる可能性を示す。
通信負荷の低減に加えて,同一位置からの衛星観測とin situを用いたモデルロバスト性の向上が期待できる。
また、クロスサイト・ジェネリゼーションをサポートしており、ある地域でトレーニングされたモデルを、再トレーニングせずに効果的にデプロイすることができる。
これにより、リモートおよび帯域制限のIoT環境でのセンサデータ伝送の最適化に非常にスケーラブルで、エネルギーを意識し、適しています。
関連論文リスト
- Data-driven Modality Fusion: An AI-enabled Framework for Large-Scale Sensor Network Management [0.49998148477760973]
本稿では,DMF(Data-driven Modality Fusion)と呼ばれる新しいセンシングパラダイムを紹介する。
異なるセンシングモードからの時系列データ間の相関を利用して、DMF手法によりモニタリングに必要な物理センサの数を削減できる。
このフレームワークは、エッジデバイスからコアへ計算の複雑さを移動させ、リソースに制約のあるIoTデバイスが集中的な処理タスクに負担されないようにする。
論文 参考訳（メタデータ） (2025-02-07T14:00:04Z) - Communication-Efficient Federated Learning by Quantized Variance Reduction for Heterogeneous Wireless Edge Networks [55.467288506826755]
フェデレーテッド・ラーニング(FL)は、無線エッジネットワークにおけるローカル・プライバシ・アウェア・コラボレーティブ・モデルトレーニングの有効なソリューションとして認識されている。
既存の通信効率の高いFLアルゴリズムは、デバイス間の大きなばらつきを低減できない。
本稿では,高度分散還元方式に依存する新しい通信効率FLアルゴリズムであるFedQVRを提案する。
論文 参考訳（メタデータ） (2025-01-20T04:26:21Z) - 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) - Hyperdimensional Computing Empowered Federated Foundation Model over Wireless Networks for Metaverse [56.384390765357004]
本稿では,新しい基礎モデルのための統合型分割学習と超次元計算フレームワークを提案する。
この新しいアプローチは通信コスト、計算負荷、プライバシーリスクを低減し、Metaverseのリソース制約されたエッジデバイスに適している。
論文 参考訳（メタデータ） (2024-08-26T17:03:14Z) - ViT LoS V2X: Vision Transformers for Environment-aware LoS Blockage Prediction for 6G Vehicular Networks [20.953587995374168]
我々は、畳み込みニューラルネットワーク(CNN)とカスタマイズされた視覚変換器(ViT)を組み合わせたディープラーニングベースのアプローチを提案する。
提案手法は,時系列マルチモーダルデータから特徴を抽出するために,CNNとViTの相乗的強みを利用する。
その結果,提案手法は精度が高く,最先端のソリューションよりも優れ,95%以上の精度で予測できることがわかった。
論文 参考訳（メタデータ） (2024-06-27T01:38:09Z) - Intelligent Communication Planning for Constrained Environmental IoT
Sensing with Reinforcement Learning [19.715387333728152]
モノのインターネット(IoT)デバイスは、しばしば電力制限を受け、帯域幅が限られている無線通信方式を利用する。
環境状態を追跡するIoTセンサの通信計画問題を定式化する。
本稿では,センサごとの最適な通信ポリシーを見つけるために,マルチエージェント強化学習(MARL)手法を提案する。
論文 参考訳（メタデータ） (2023-08-19T22:59:09Z) - Multi-Objective Optimization for UAV Swarm-Assisted IoT with Virtual
Antenna Arrays [55.736718475856726]
無人航空機(UAV)ネットワークはIoT(Internet-of-Things)を支援するための有望な技術である
既存のUAV支援データ収集および普及スキームでは、UAVはIoTとアクセスポイントの間を頻繁に飛行する必要がある。
協調ビームフォーミングをIoTとUAVに同時に導入し、エネルギーと時間効率のデータ収集と普及を実現した。
論文 参考訳（メタデータ） (2023-08-03T02:49:50Z) - FLARE: Detection and Mitigation of Concept Drift for Federated Learning
based IoT Deployments [2.7776688429637466]
FLAREは、トレーニングデータを条件付きで転送し、エッジとセンサのエンドポイント間でモデルをデプロイする、軽量なデュアルスケジューリングFLフレームワークである。
固定間隔スケジューリング法と比較して,FLAREはエッジノードとセンサノード間で交換されるデータ量を大幅に削減できることを示す。
少なくとも16倍のレイテンシで、コンセプトドリフトを反応的に検出できる。
論文 参考訳（メタデータ） (2023-05-15T10:09:07Z) - Federated Learning over Wireless IoT Networks with Optimized
Communication and Resources [98.18365881575805]
協調学習技術のパラダイムとしてのフェデレートラーニング(FL)は研究の注目を集めている。
無線システム上での高速応答および高精度FLスキームの検証が重要である。
提案する通信効率のよいフェデレーション学習フレームワークは,強い線形速度で収束することを示す。
論文 参考訳（メタデータ） (2021-10-22T13:25:57Z) - Energy-Efficient Model Compression and Splitting for Collaborative
Inference Over Time-Varying Channels [52.60092598312894]
本稿では,エッジノードとリモートノード間のモデル圧縮と時間変化モデル分割を利用して,エッジデバイスにおける総エネルギーコストを削減する手法を提案する。
提案手法は, 検討されたベースラインと比較して, エネルギー消費が最小限であり, 排出コストが$CO$となる。
論文 参考訳（メタデータ） (2021-06-02T07:36:27Z)
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。