論文の概要: Designing an Optimal Sensor Network via Minimizing Information Loss

• arxiv url: http://arxiv.org/abs/2512.05940v1
• Date: Fri, 05 Dec 2025 18:38:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-13 22:40:57.138136
• Title: Designing an Optimal Sensor Network via Minimizing Information Loss
• Title（参考訳）: 情報損失最小化による最適センサネットワークの設計
• Authors: Daniel Waxman, Fernando Llorente, Katia Lamer, Petar M. Djurić,
• Abstract要約: 本研究では,プロセス監視のためのセンサの設計について検討し,モデリングと最適化における時間次元を明確に考慮する。 本稿では,高効率な最適化アルゴリズムとともに,新しいモデルに基づくセンサ配置基準を提案する。 我々は,アリゾナ州フェニックスの大気温度を計測するケーススタディを通じて,最新の物理シミュレーションを用いて検証を行った。
• 参考スコア（独自算出の注目度）: 41.94684238665305
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Optimal experimental design is a classic topic in statistics, with many well-studied problems, applications, and solutions. The design problem we study is the placement of sensors to monitor spatiotemporal processes, explicitly accounting for the temporal dimension in our modeling and optimization. We observe that recent advancements in computational sciences often yield large datasets based on physics-based simulations, which are rarely leveraged in experimental design. We introduce a novel model-based sensor placement criterion, along with a highly-efficient optimization algorithm, which integrates physics-based simulations and Bayesian experimental design principles to identify sensor networks that "minimize information loss" from simulated data. Our technique relies on sparse variational inference and (separable) Gauss-Markov priors, and thus may adapt many techniques from Bayesian experimental design. We validate our method through a case study monitoring air temperature in Phoenix, Arizona, using state-of-the-art physics-based simulations. Our results show our framework to be superior to random or quasi-random sampling, particularly with a limited number of sensors. We conclude by discussing practical considerations and implications of our framework, including more complex modeling tools and real-world deployments.
• Abstract（参考訳）: 最適実験設計は統計学における古典的なトピックであり、多くのよく研究された問題、応用、解決策がある。 本研究では,時空間過程を計測するセンサを配置し,モデル化と最適化において時間次元を明示的に考慮する。 計算科学の最近の進歩は、しばしば物理学に基づくシミュレーションに基づく大規模なデータセットを産み出すが、これは実験的な設計ではほとんど活用されない。 本研究では,物理シミュレーションとベイズの実験的設計原理を統合し,シミュレーションデータから情報損失を最小化するセンサネットワークを同定する,高効率な最適化アルゴリズムとともに,新しいモデルに基づくセンサ配置基準を提案する。 この手法は, バラエティ推論と(分離可能な)ガウス-マルコフ先行理論に依存しており, ベイズの実験設計から多くの手法を適用することができる。 我々は,アリゾナ州フェニックスの大気温度を計測するケーススタディを通じて,最新の物理シミュレーションを用いて検証を行った。 以上の結果から,本フレームワークはランダムサンプリングや準ランダムサンプリングよりも優れていること,特にセンサ数が少ないことが示唆された。 我々は、より複雑なモデリングツールや実世界のデプロイを含む、我々のフレームワークの実践的考慮と意味を議論することで結論付けます。

関連論文リスト

• Neural surrogates for designing gravitational wave detectors [21.601009915564344]
  ニューラルサロゲートモデルが従来のCPUベースのシミュレータへの依存を著しく低減することを示す。 LIGO コミュニティが開発した重力波物理シミュレータ Finesse を代用するニューラルネットワークを訓練する。 我々のアルゴリズムは、サロゲートのトレーニング、新しい実験の逆設計、さらに訓練のために遅いシミュレータでそれらの特性を検証する間をループする。
  論文  参考訳（メタデータ） (2025-11-24T17:58:59Z)
• A physics-driven sensor placement optimization methodology for temperature field reconstruction [9.976807723785006]
  温度場再構成のための物理駆動型センサ配置最適化(PSPO)手法を提案する。 PSPO法はランダム選択法と均一選択法を大きく上回り、ほぼ一桁の精度で復元精度を向上させる。
  論文  参考訳（メタデータ） (2024-09-27T03:26:38Z)
• A Realistic Simulation Framework for Analog/Digital Neuromorphic Architectures [73.65190161312555]
  ARCANAは、混合信号ニューロモルフィック回路の特性を考慮に入れたソフトウェアスパイクニューラルネットワークシミュレータである。 得られた結果が,ソフトウェアでトレーニングされたスパイクニューラルネットワークの動作を,かつてハードウェアにデプロイされた場合の信頼性の高い推定方法を示す。
  論文  参考訳（メタデータ） (2024-09-23T11:16:46Z)
• Bayesian Adaptive Calibration and Optimal Design [23.319315014843713]
  現在の機械学習アプローチは、主に観測データで利用可能な固定された設計セットに対する再実行シミュレーションに依存している。 本稿では,バッチシーケンスプロセス内で最大情報化シミュレーションを実行するためのデータ効率アルゴリズムを提案する。 合成問題と実データ問題にまたがる関連手法と比較して,本手法の利点を示す。
  論文  参考訳（メタデータ） (2024-05-23T11:14:35Z)
• Machine learning enabled experimental design and parameter estimation for ultrafast spin dynamics [54.172707311728885]
  機械学習とベイズ最適実験設計(BOED)を組み合わせた方法論を提案する。 本手法は,大規模スピンダイナミクスシミュレーションのためのニューラルネットワークモデルを用いて,BOEDの正確な分布と実用計算を行う。 数値ベンチマークでは,XPFS実験の誘導,モデルパラメータの予測,実験時間内でのより情報的な測定を行う上で,本手法の優れた性能を示す。
  論文  参考訳（メタデータ） (2023-06-03T06:19:20Z)
• Online simulator-based experimental design for cognitive model selection [74.76661199843284]
  本稿では,抽出可能な確率を伴わない計算モデルを選択する実験設計手法BOSMOSを提案する。 シミュレーション実験では,提案手法により,既存のLFI手法に比べて最大2桁の精度でモデルを選択することができることを示した。
  論文  参考訳（メタデータ） (2023-03-03T21:41:01Z)
• 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)
• A User's Guide to Calibrating Robotics Simulators [54.85241102329546]
  本稿では,シミュレーションで学習したモデルやポリシーを現実世界に伝達することを目的とした,様々なアルゴリズムの研究のためのベンチマークとフレームワークを提案する。 我々は、様々なアルゴリズムの性能に関する洞察を特徴付け、提供するために、広く知られたシミュレーション環境の実験を行う。 我々の分析は、この分野の実践者にとって有用であり、sim-to-realアルゴリズムの動作と主特性について、より深い選択をすることができる。
  論文  参考訳（メタデータ） (2020-11-17T22:24:26Z)

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。