論文の概要: PlugSI: Plug-and-Play Test-Time Graph Adaptation for Spatial Interpolation

• arxiv url: http://arxiv.org/abs/2602.09824v1
• Date: Tue, 10 Feb 2026 14:33:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-11 20:17:43.588022
• Title: PlugSI: Plug-and-Play Test-Time Graph Adaptation for Spatial Interpolation
• Title（参考訳）: PlugSI: 空間補間のためのプラグアンドプレイテストタイムグラフ適応
• Authors: Xuhang Wu, Zhuoxuan Liang, Wei Li, Xiaohua Jia, Sumi Helal,
• Abstract要約: PlugSIは2つの重要な革新を通じてテストタイムグラフを洗練するプラグイン・アンド・プレイフレームワークである。 まず、テスト時に各小バッチの新しいグラフ構造に適応する未知のトポロジ適応器(UTA)を設計する。 第2に,UTA適応を導くため,安定した歴史的コンセンサスを維持したテンポラルバランスアダプタ(TBA)を導入する。
• 参考スコア（独自算出の注目度）: 21.615719024977537
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With the rapid advancement of IoT and edge computing, sensor networks have become indispensable, driving the need for large-scale sensor deployment. However, the high deployment cost hinders their scalability. To tackle the issues, Spatial Interpolation (SI) introduces virtual sensors to infer readings from observed sensors, leveraging graph structure. However, current graph-based SI methods rely on pre-trained models, lack adaptation to larger and unseen graphs at test-time, and overlook test data utilization. To address these issues, we propose PlugSI, a plug-and-play framework that refines test-time graph through two key innovations. First, we design an Unknown Topology Adapter (UTA) that adapts to the new graph structure of each small-batch at test-time, enhancing the generalization of SI pre-trained models. Second, we introduce a Temporal Balance Adapter (TBA) that maintains a stable historical consensus to guide UTA adaptation and prevent drifting caused by noise in the current batch. Empirically, extensive experiments demonstrate PlugSI can be seamlessly integrated into existing graph-based SI methods and provide significant improvement (e.g., a 10.81% reduction in MAE).
• Abstract（参考訳）: IoTとエッジコンピューティングの急速な進歩により、センサーネットワークは不可欠になり、大規模なセンサー展開の必要性が高まっている。 しかし、高いデプロイメントコストはスケーラビリティを妨げます。 この問題に対処するため、空間補間(Spatial Interpolation, SI)は仮想センサを導入し、観測されたセンサからの読み出しを推測し、グラフ構造を活用する。 しかし、現在のグラフベースのSI手法は、事前訓練されたモデルに依存しており、テスト時に大きく見えないグラフへの適応が欠如しており、テストデータの利用を見落としている。 これらの問題に対処するために,2つの重要なイノベーションを通じてテスト時間グラフを洗練するプラグイン・アンド・プレイ・フレームワークであるPlugSIを提案する。 まず、テスト時に各小バッチのグラフ構造に適応し、SI事前学習モデルの一般化を促進できる未知位相適応器(UTA)を設計する。 第2に, 時間的バランス適応 (TBA) を導入し, 安定した歴史的コンセンサスを維持し, 現行バッチにおけるノイズによるドリフトを防止する。 実証的な実験では、PlugSIは既存のグラフベースのSIメソッドにシームレスに統合され、大幅な改善(例:MAEの10.81%の削減)を提供する。

関連論文リスト

• Lightweight Test-Time Adaptation for EMG-Based Gesture Recognition [2.414036142474149]
  本稿では,TCNバックボーンを用いたテスト時間適応(TTA)のための軽量フレームワークを提案する。 本稿では, リアルタイム統計アライメントのための因果適応バッチ正規化, (ii) ガウス混合モデル(GMM)アライメント, (iii) 迅速な数ショットキャリブレーションのためのメタラーニングの3つの展開対応戦略を紹介する。 評価の結果,経験再生更新は限られたデータの下では優れた安定性を示し,メタラーニングは1ショットと2ショットのレギュレーションにおいて競争性能を達成していることがわかった。
  論文  参考訳（メタデータ） (2026-01-07T18:48:31Z)
• Test-Time Model Adaptation with Only Forward Passes [68.11784295706995]
  テストタイム適応は、トレーニング済みのモデルを、潜在的に分布シフトのある未確認テストサンプルに適応させるのに有効であることが証明されている。 テスト時間フォワード最適化適応法(FOA)を提案する。 FOAは量子化された8ビットのViTで動作し、32ビットのViTで勾配ベースのTENTより優れ、ImageNet-Cで最大24倍のメモリ削減を実現する。
  論文  参考訳（メタデータ） (2024-04-02T05:34:33Z)
• Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
  弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。 I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
  論文  参考訳（メタデータ） (2023-08-31T05:05:53Z)
• 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)
• Deep Graph Stream SVDD: Anomaly Detection in Cyber-Physical Systems [17.373668215331737]
  本稿では,異常検出のためのディープグラフベクトルデータ記述法(SVDD)を提案する。 まず、時間的埋め込みにおけるデータ監視の短絡パターンと長絡パターンの両方を保存するために、トランスフォーマーを使用します。 センサタイプに応じてこれらの埋め込みをクラスタリングし、各種センサ間の接続性の変化を推定し、新しい重み付きグラフを構築する。
  論文  参考訳（メタデータ） (2023-02-24T22:14:39Z)
• Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge Computing: A Contextual-Bandit Approach [81.5261621619557]
  階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。 まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。 そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
  論文  参考訳（メタデータ） (2021-08-09T08:45:47Z)
• Online Graph Topology Learning from Matrix-valued Time Series [0.0]
  焦点は、センサのネットワーク上でデータを収集する行列値時系列の統計解析である。 目標は、これらのセンサー間の依存関係構造を特定し、それをグラフで表現することだ。 オンラインアルゴリズムはこれらの拡張データモデルに適応しており、ストリーミングサンプルからグラフとトレンドを同時に学習することができる。
  論文  参考訳（メタデータ） (2021-07-16T17:21:14Z)
• AGSTN: Learning Attention-adjusted Graph Spatio-Temporal Networks for Short-term Urban Sensor Value Forecasting [14.797761571844893]
  センサの時系列値は、大気汚染警報、自転車資源管理、インテリジェント交通システムなどの都市用途において重要である。 最近の進歩は、センサー間の空間的および時間的依存関係をよりよく学習するためにグラフニューラルネットワーク(GNN)を利用している。
  論文  参考訳（メタデータ） (2021-01-29T08:31:38Z)
• SADet: Learning An Efficient and Accurate Pedestrian Detector [68.66857832440897]
  本稿では,一段検出器の検出パイプラインに対する一連の最適化手法を提案する。 効率的な歩行者検出のための単発アンカーベース検出器(SADet)を形成する。 構造的には単純だが、VGA解像度の画像に対して最先端の結果と20ドルFPSのリアルタイム速度を示す。
  論文  参考訳（メタデータ） (2020-07-26T12:32:38Z)
• 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。