論文の概要: Tureis: Transformer-based Unified Resilience for IoT Devices in Smart Homes

• arxiv url: http://arxiv.org/abs/2603.10038v1
• Date: Thu, 05 Mar 2026 21:50:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-12 16:22:32.577335
• Title: Tureis: Transformer-based Unified Resilience for IoT Devices in Smart Homes
• Title（参考訳）: Tureis: スマートホームにおけるIoTデバイスのためのトランスフォーマーベースの統一レジリエンス
• Authors: Alireza Borhani, Vafa Andalibi, Bahar Asgari,
• Abstract要約: スマートホームにおける障害検出と障害検出のための自己監視型コンテキスト認識手法Tureisを提案する。 Tureisは、異質なバイナリと数値センサーストリームをコンパクトなビットレベル機能にエンコードする。 BBT方式のトランスフォーマーを訓練し、短時間の窓の上をセンサーでマスクで再構築する。
• 参考スコア（独自算出の注目度）: 1.1533793543850381
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Smart-home IoT systems rely on heterogeneous sensor networks whose correctness shapes application behavior and the physical environment. However, these low-cost, resource-constrained sensors are highly prone to failure under real-world stressors. Prior methods often assume single-failure, single-resident settings, offer only failure detection rather than sensor-level localization, cover limited fault types and sensor modalities, require labels and human intervention, or impose overheads hindering edge deployment. To overcome these limitations, we propose Tureis, a self-supervised, context-aware method for failure detection and faulty-sensor localization in smart homes, designed for multi-failure, multi-resident edge settings. Tureis encodes heterogeneous binary and numeric sensor streams into compact bit-level features. It then trains a lightweight BERT-style Transformer with sensor-wise masked reconstruction over short-horizon windows, capturing spatial and short-term temporal correlations without mixing unrelated events. This self-supervised objective removes the need for labels or curated semantics. Then, at run-time, Tureis converts reconstruction residuals into sensor-level failure evidence and uses an iterative isolate-and-continue loop that masks flagged sensors, allowing other failures to surface and enabling resilient, fine-grained localization. Across five datasets with up to nine residents, Tureis improves single-failure localization F1 by +7.6%, +21.0%, and +25.0% over three strong baselines. In multi-failure scenarios with up to five faulty sensors, it further boosts localization F1 by +17.6% and +35.4% over two baselines, while the third does not extend to this setting. These gains come with minute-scale localization and an edge-friendly footprint, as a sub-megabyte model that processes each minute of data in a few milliseconds with ~0.5 GB peak memory on a Raspberry Pi 5.
• Abstract（参考訳）: スマートホームIoTシステムは、不均一なセンサネットワークに依存しており、その正確さはアプリケーションの振る舞いと物理的な環境を形作っている。 しかし、これらの低コストで資源に制約のあるセンサーは、現実のストレス下では失敗しがちである。 従来の手法では、単一障害の単一居住者の設定を前提としており、センサーレベルのローカライゼーションよりも障害検出のみを提供し、限られた障害タイプとセンサーのモダリティをカバーし、ラベルと人間の介入を必要としたり、エッジデプロイメントを妨げるオーバーヘッドを課す。 これらの制約を克服するため,スマートホームにおける障害検出と障害センサのローカライゼーションのための自己監視型コンテキスト認識手法Tureisを提案し,マルチ障害・マルチレジデントエッジ設定のために設計した。 Tureisは、異質なバイナリと数値センサーストリームをコンパクトなビットレベル機能にエンコードする。 その後、短い水平窓の上にセンサーでマスクされた再構築を施したBERTスタイルのトランスフォーマーを訓練し、無関係なイベントを混合することなく、空間的および短期的な時間的相関をキャプチャする。 この自己管理の目的はラベルやキュレートされたセマンティクスの必要性を取り除く。 そして、タレイスはリアルタイムで、復元残基をセンサーレベルの障害証拠に変換し、フラグ付きセンサーを隠蔽する反復的な分離・継続ループを使用して、他の障害を表面化し、回復し、きめ細かな局所化を可能にする。 最大9人の住民を持つ5つのデータセットで、ツライスはF1の単一障害局所化を+7.6%、+21.0%、+25.0%で改善している。 最大5つの故障センサーを持つマルチ障害シナリオでは、F1のローカライゼーションを+17.6%、+35.4%の2つのベースラインで強化するが、3番目はこの設定に拡張しない。 これは、Raspberry Pi 5上で0.5GBのピークメモリを持つ数ミリ秒毎のデータを処理するサブメガバイトモデルとして、マイクロスケールのローカライゼーションとエッジフレンドリなフットプリントを備えている。

関連論文リスト

• PathFinder: Advancing Path Loss Prediction for Single-to-Multi-Transmitter Scenario [60.906711761476735]
  PathFinderは、アンタングル化された特徴符号化を通じて建物や送信機を積極的にモデル化する新しいアーキテクチャである。 テストでは、PathFinderは最先端のメソッド、特に挑戦的なマルチトランスミッタシナリオにおいて、大幅にパフォーマンスが向上している。
  論文  参考訳（メタデータ） (2025-12-16T07:15:15Z)
• Occluded nuScenes: A Multi-Sensor Dataset for Evaluating Perception Robustness in Automated Driving [4.60199848319746]
  Occluded nuScenesデータセットは、広く使用されているnuScenesベンチマークの新しい拡張である。 このリソースは、部分的なセンサ故障と環境干渉下での知覚モデルの一貫した再現可能な評価をサポートする。 我々は,自動運転におけるロバストなセンサフュージョン,レジリエンス解析,および安全クリティカルな認識に関する研究を進めることを目的としている。
  論文  参考訳（メタデータ） (2025-10-21T12:02:26Z)
• Belief-Conditioned One-Step Diffusion: Real-Time Trajectory Planning with Just-Enough Sensing [1.6984211127623137]
  我々は、10ミリ秒の前方通過で短水平軌道を返す最初のプランナーであるBelief-Conditioned One-Step Diffusion (B-COD)を提示する。 この1つのプロキシは、ソフト・アクター・クリティカルがオンラインでセンサーを選択するのに十分であり、ポーズ・コ・グロースを束縛しながらエネルギーを最適化することを示している。
  論文  参考訳（メタデータ） (2025-08-16T21:34:16Z)
• Sec5GLoc: Securing 5G Indoor Localization via Adversary-Resilient Deep Learning Architecture [0.0]
  5Gミリ波とサブ6GHzのネットワークは、高精度な屋内ローカライゼーションを実現するが、セキュリティとプライバシの脆弱性は深刻な問題を引き起こす。 我々は、偽の無線信号やパーターブチャネル測定を注入する攻撃者を包含する脅威モデルを定式化し、ローカライゼーションシステムを誤解させる。 本稿では,ディープラーニングフィンガープリントと物理ドメイン知識を組み合わせた対向レジリエントなローカライゼーションアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-05-23T11:46:11Z)
• Bridging the Gap Between End-to-End and Two-Step Text Spotting [88.14552991115207]
  ブリッジングテキストスポッティングは、2段階のメソッドでエラーの蓄積と最適化性能の問題を解決する新しいアプローチである。 提案手法の有効性を広範囲な実験により実証する。
  論文  参考訳（メタデータ） (2024-04-06T13:14:04Z)
• Defect Transformer: An Efficient Hybrid Transformer Architecture for Surface Defect Detection [2.0999222360659604]
  表面欠陥検出のための効率的なハイブリッドトランスアーキテクチャであるDefect Transformer (DefT)を提案する。 DefTはCNNとTransformerを統一モデルに組み込んで、局所的および非局所的関係を協調的にキャプチャする。 3つのデータセットの実験は、他のCNNやトランスフォーマーベースのネットワークと比較して、我々の手法の優位性と効率性を実証している。
  論文  参考訳（メタデータ） (2022-07-17T23:37:48Z)
• Efficient Decoder-free Object Detection with Transformers [75.00499377197475]
  視覚変換器(ViT)は、物体検出アプローチのランドスケープを変化させている。 本稿では,デコーダフリー完全トランス(DFFT)オブジェクト検出器を提案する。 DFFT_SMALLは、トレーニングおよび推論段階で高い効率を達成する。
  論文  参考訳（メタデータ） (2022-06-14T13:22:19Z)
• 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)
• Learning Camera Miscalibration Detection [83.38916296044394]
  本稿では,視覚センサ,特にRGBカメラの誤校正検出を学習するためのデータ駆動型アプローチに焦点を当てた。 コントリビューションには、RGBカメラの誤校正基準と、この基準に基づく新しい半合成データセット生成パイプラインが含まれる。 深層畳み込みニューラルネットワークをトレーニングすることにより、カメラ固有のパラメータの再校正が必要か否かを判断するパイプラインの有効性を実証する。
  論文  参考訳（メタデータ） (2020-05-24T10:32:49Z)
• 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。