論文の概要: Energy-Efficient Hierarchical Federated Anomaly Detection for the Internet of Underwater Things via Selective Cooperative Aggregation

• arxiv url: http://arxiv.org/abs/2603.24648v1
• Date: Wed, 25 Mar 2026 17:29:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-27 20:52:47.912383
• Title: Energy-Efficient Hierarchical Federated Anomaly Detection for the Internet of Underwater Things via Selective Cooperative Aggregation
• Title（参考訳）: 選択的協調凝集による水中モノのインターネットのエネルギー効率の高い階層型異常検出
• Authors: Kenechi Omeke, Michael Mollel, Lei Zhang, Qammer H. Abbasi, Muhammad Ali Imran,
• Abstract要約: 異常検出は、Internet of Underwater Thingsの中核的なサービスである。 標準フラットフェデレーション学習は、水中展開において2つの制約が組み合わさっている。 本稿では,水中異常検出のためのエネルギー効率の高い階層型学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 9.54995289119975
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Anomaly detection is a core service in the Internet of Underwater Things, yet training accurate distributed models underwater is difficult because acoustic links are low-bandwidth, energy-intensive, and often unable to support direct sensor-to-surface communication. Standard flat federated learning therefore faces two coupled limitations in underwater deployments: expensive long-range transmissions and reduced participation when only a subset of sensors can reach the gateway. This paper proposes an energy-efficient hierarchical federated learning framework for underwater anomaly detection based on three components: feasibility-aware sensor-to-fog association, compressed model-update transmission, and selective cooperative aggregation among fog nodes. The proposed three-tier architecture localises most communication within short-range clusters while activating fog-to-fog exchange only when smaller clusters can benefit from nearby larger neighbours. A physics-grounded underwater acoustic model is used to evaluate detection quality, communication energy, and network participation jointly. In large synthetic deployments, only about 48% of sensors can directly reach the gateway in the 200-sensor case, whereas hierarchical learning preserves full participation through feasible fog paths. Selective cooperation matches the detection accuracy of always-on inter-fog exchange while reducing its energy by 31-33%, and compressed uploads reduce total energy by 71-95% in matched sensitivity tests. Experiments on three real benchmarks further show that low-overhead hierarchical methods remain competitive in detection quality, while flat federated learning defines the minimum-energy operating point. These results provide practical design guidance for underwater deployments operating under severe acoustic communication constraints.
• Abstract（参考訳）: 異常検出は、水中モノのインターネットの中核となるサービスであるが、音響リンクが低帯域幅でエネルギー集約的であり、しばしばセンサーと地上の直接通信をサポートできないため、水中での正確な分散モデルの訓練は困難である。 したがって、標準的なフラット・フェデレーション・ラーニングは、高価な長距離送信と、センサーのサブセットだけがゲートウェイに到達することができる場合の参加率の2つの制約が組み合わさっている。 本稿では,霧ノード間のセンサ・ツー・フォッグ・アソシエーション,圧縮モデル更新送信,選択的協調アゴシエーションという3つのコンポーネントに基づく,水中異常検出のためのエネルギー効率の高い階層型階層型学習フレームワークを提案する。 提案した3層アーキテクチャは、近辺のより小さなクラスタが恩恵を受ける場合にのみ、霧と霧の交換を活性化しながら、ほとんどの通信を短距離クラスタ内でローカライズする。 物理接地型水中音響モデルを用いて, 検出品質, 通信エネルギー, ネットワーク参加を共同で評価する。 大規模な総合的な展開では、200センサーのケースでは、センサーの約48%がゲートウェイに直接到達できるが、階層的な学習は、実現可能な霧の経路を通じて完全な参加を保っている。 選択的協調は、常にオンする交換の検知精度と一致し、そのエネルギーを31～33%削減し、圧縮されたアップロードは一致した感度試験において総エネルギーを71～95%削減する。 3つの実ベンチマーク実験により、低オーバーヘッド階層法は検出品質において競争力を維持する一方、フラットフェデレーション学習は最小エネルギーの演算点を定義する。 これらの結果は、音響通信の厳しい制約下での水中展開のための実用的な設計指針を提供する。

関連論文リスト

• Halt the Hallucination: Decoupling Signal and Semantic OOD Detection Based on Cascaded Early Rejection [7.227431306238601]
  粗い論理による異常検出のための階層的フィルタリングを実現するカスケード早期退避(CER)フレームワークを提案する。 実験の結果、CERは計算オーバーヘッドを32%削減するだけでなく、CIFAR-100ベンチマークの大幅な性能向上も達成している。
  論文  参考訳（メタデータ） (2026-02-06T02:55:35Z)
• Low-Cost Underwater In-Pipe Centering and Inspection Using a Minimal-Sensing Robot [1.9336815376402718]
  本報告では, 水中自由飛行ロボットが, IMU, 圧力センサ, 2つのソナーのみを用いて, 既知半径の浸水管を移動可能な最小限のセンシング手法を提案する。 単ビームソナー強度データから距離推定値を抽出し,ノイズおよび残響条件下での信頼性の高い壁検出を可能にする。
  論文  参考訳（メタデータ） (2026-02-05T03:45:55Z)
• AquaSentinel: Next-Generation AI System Integrating Sensor Networks for Urban Underground Water Pipeline Anomaly Detection via Collaborative MoE-LLM Agent Architecture [11.644739814142502]
  AquaSentinelは、都市地下パイプラインネットワークにおけるリアルタイムな異常検出のための物理インフォームドAIシステムである。 1) ネットワーク全体の可観測性を最小限のインフラから実現するために,高分散ノードでの戦略的スパースセンサ展開と物理ベースの状態拡張を併用する。
  論文  参考訳（メタデータ） (2025-11-19T20:53:50Z)
• Security-Aware Joint Sensing, Communication, and Computing Optimization in Low Altitude Wireless Networks [83.84711311344918]
  I SCCは低高度無線ネットワーク(LAWN)の中核部の一つである。 本稿では,通信の秘密性を考慮したI SCCの連成性能最適化について検討する。 進化的最適化の目的に応じて進化的演算子を適応的に選択する深層Q-network(DQN)に基づく多目的進化アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-11-03T11:06:41Z)
• Multi-Base Station Cooperative Sensing with AI-Aided Tracking [10.400855135405251]
  核融合センター(FC)を介して協調する複数の基地局(BS)からなる共同センシング・通信ネットワークについて検討する。 筆者らのフレームワークは,60cm未満の最適サブパターン割り当て(OSPA)を実現することで,優れたセンシング性能を提供できることを示す。
  論文  参考訳（メタデータ） (2023-10-31T12:27:48Z)
• Learning Heavily-Degraded Prior for Underwater Object Detection [59.5084433933765]
  本稿では、検出器フレンドリーな画像から、転送可能な事前知識を求める。 これは、検出器フレンドリー(DFUI)と水中画像の高度に劣化した領域が、特徴分布のギャップがあることを統計的に観察したものである。 高速かつパラメータの少ない本手法は変圧器型検出器よりも優れた性能を保っている。
  論文  参考訳（メタデータ） (2023-08-24T12:32:46Z)
• Histogram Layer Time Delay Neural Networks for Passive Sonar Classification [58.720142291102135]
  時間遅延ニューラルネットワークとヒストグラム層を組み合わせた新しい手法により,特徴学習の改善と水中音響目標分類を実現する。 提案手法はベースラインモデルより優れており,受動的ソナー目標認識のための統計的文脈を取り入れた有効性を示す。
  論文  参考訳（メタデータ） (2023-07-25T19:47:26Z)
• SEA: Bridging the Gap Between One- and Two-stage Detector Distillation via SEmantic-aware Alignment [76.80165589520385]
  細粒度情報を抽象化する性質から,SEA (SEmantic-Aware Alignment) 蒸留法を命名した。 1段検出器と2段検出器の両方において、挑戦的な物体検出タスクにおいて、最先端の新たな結果が得られる。
  論文  参考訳（メタデータ） (2022-03-02T04:24:05Z)
• G-DetKD: Towards General Distillation Framework for Object Detectors via Contrastive and Semantic-guided Feature Imitation [49.421099172544196]
  そこで本研究では,すべてのピラミッドレベルにまたがる特徴ペア間のソフトマッチングを自動的に行う,意味誘導型特徴模倣手法を提案する。 また,異なる特徴領域間の関係で符号化された情報を効果的に捉えるために,コントラスト蒸留を導入する。 本手法は,(1)フレームワークのコンポーネントを別々に使用した場合に,既存の検出KD技術よりも優れた性能を発揮する。
  論文  参考訳（メタデータ） (2021-08-17T07:44:27Z)
• Disentangle Your Dense Object Detector [82.22771433419727]
  深層学習に基づく高密度物体検出器はここ数年で大きな成功を収め、ビデオ理解などのマルチメディアアプリケーションにも応用されてきた。 しかし、現在の高密度検出器の訓練パイプラインは、保持できない多くの接続に妥協されている。 そこで本研究では, 簡易かつ効果的な遠心分離機構を設計し, 現在の最先端検出器に統合するDED(Disentangled Dense Object Detector)を提案する。
  論文  参考訳（メタデータ） (2021-07-07T00:52:16Z)
• OAS-Net: Occlusion Aware Sampling Network for Accurate Optical Flow [4.42249337449125]
  既存のディープネットワークは、ピラミッドの粗大なパラダイムを主に利用することで満足な結果を得た。 我々は,OAS-Netという軽量で効率的な光フローネットワークを提案し,正確な光フローを実現する。 SintelとKITTIデータセットの実験は、提案手法の有効性を実証している。
  論文  参考訳（メタデータ） (2021-01-31T03:30:31Z)

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。