論文の概要: Information Density as a Quantitative Measure for AI-enabled Virtual Sensing: Feasibility and Limits
- arxiv url: http://arxiv.org/abs/2605.08180v1
- Date: Tue, 05 May 2026 09:03:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-12 23:28:49.433228
- Title: Information Density as a Quantitative Measure for AI-enabled Virtual Sensing: Feasibility and Limits
- Title（参考訳）: AIを利用した仮想センシングのための定量的尺度としての情報密度:可能性と限界
- Authors: Hrishikesh Dutta, Roberto Minerva, Reza Farahbakhsh, Noel Crespi,
- Abstract要約: 本稿では,センサの展開とAI駆動型仮想センシングを実現するための定量的指標として,情報密度を導入する。
本研究では,センサ信号間の空間的・時間的・時間的相関を利用して,物理的なセンサがなくてもセンサタスクを行う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）: 3.2957112871590777
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Modern IoT and sensor networks generate vast amounts of data, posing significant challenges for storage, transmission, and real-time processing. Traditional approaches, such as compressive sensing and machine learning-based compression, often suffer from computational inefficiencies and irreversible data loss. This paper introduces Information Density as a quantitative metric to support sensor deployment and enable AI-driven virtual sensing. We propose a framework that leverages spatial, temporal and inter-modal correlations among sensor signals to perform sensing tasks even in the absence of physical sensors. Two complementary measures: (i) Phase in Eigen Space and (ii) Mutual Information, are developed to quantify and assess information density, enabling the selection of optimal sensor configurations across both intra-modality and cross-modality scenarios. Validated using real-world data from Madrid's smart city infrastructure, this framework demonstrates the feasibility of replacing physical sensors with virtual ones under bounded error conditions (e.g., achieving $<3.21\%$ mean error with a single sensor). The results highlight the potential for scalable and energy-efficient sensing systems in smart environments.
- Abstract（参考訳）: 現代のIoTとセンサーネットワークは大量のデータを生成し、ストレージ、トランスミッション、リアルタイム処理において大きな課題を生んでいる。
圧縮センシングや機械学習ベースの圧縮といった従来の手法は、しばしば計算の非効率性と不可逆的なデータ損失に悩まされる。
本稿では,センサの展開とAI駆動型仮想センシングを実現するための定量的指標として,情報密度を導入する。
本研究では,センサ信号間の空間的・時間的・時間的相関を利用して,物理的なセンサがなくてもセンサタスクを行うフレームワークを提案する。
2つの補完策。
(i)固有空間と位相
(II)相互情報とは,情報密度を定量化し,評価するために開発され,モダリティ内およびモダリティ間の両方のシナリオで最適なセンサ構成を選択できる。
このフレームワークはマドリードのスマートシティインフラストラクチャの実際のデータを使って検証され、バウンドエラー条件下で物理センサーを仮想センサーに置き換える可能性を示している(例:1つのセンサーで平均エラーを平均$<3.21\%)。
この結果は、スマート環境におけるスケーラブルでエネルギー効率の高いセンシングシステムの可能性を強調している。
関連論文リスト
- DGFusion: Depth-Guided Sensor Fusion for Robust Semantic Perception [57.77346327566903]
意味知覚に対する最先端のセンサー融合アプローチは、しばしば入力の空間的範囲にわたってセンサーデータを均一に扱う。
本稿では,深度情報の統合による条件認識融合を改良する,深度誘導型マルチモーダル融合法を提案する。
提案手法は,挑戦的なMUSESデータセットとDELIVERデータセット上で,最先端のパノプティクスとセマンティックセマンティックセグメンテーション性能を実現する。
論文 参考訳（メタデータ） (2025-09-11T20:03:00Z) - SensorLM: Learning the Language of Wearable Sensors [50.95988682423808]
本稿では,自然言語によるウェアラブルセンサデータ理解を可能にするセンサ言語基盤モデルのファミリーであるSensorLMを紹介する。
本稿では,センサデータから統計的,構造的,意味的な情報を収集する階層的なキャプション生成パイプラインを提案する。
このアプローチにより、これまでで最大のセンサー言語データセットのキュレーションが可能となり、103,000人以上から5970万時間以上のデータを収集した。
論文 参考訳（メタデータ） (2025-06-10T17:13:09Z) - Localization of Impacts on Thin-Walled Structures by Recurrent Neural Networks: End-to-end Learning from Real-World Data [45.9982965995401]
薄肉構造への影響は、圧電センサで測定できるラム波を励起する。
逐次センサデータから直接、衝撃位置をエンドツーエンドに推定するために、リカレントニューラルネットワーク(RNN)を提案する。
その結果,比較的小さなデータセットであっても,衝撃位置の推定精度は著しく向上した。
論文 参考訳（メタデータ） (2025-05-13T09:08:47Z) - 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) - Graph Neural Networks for Virtual Sensing in Complex Systems: Addressing Heterogeneous Temporal Dynamics [8.715570103753697]
複雑なシステムの信頼性と効率的な運用にはリアルタイム状態監視が不可欠である。
仮想センシングは、利用可能なセンサデータとシステム知識を活用することで制限に対処する。
異種時間グラフニューラルネットワーク(HTGNN)フレームワークを提案する。
論文 参考訳（メタデータ） (2024-07-26T12:16:53Z) - Physics-Enhanced Graph Neural Networks For Soft Sensing in Industrial Internet of Things [6.374763930914524]
産業用IoT(Industrial Internet of Things)は、製造業、産業プロセス、インフラ管理を変革している。
高度に信頼性の高いIIoTを実現するには、大量のセンサーをインストールするコスト、既存のシステムにセンサーを組み直す際の制限、センサーの設置を非現実的にする厳しい環境条件などの要因が伴う。
物理の原理をグラフベースの方法論に統合する物理強化グラフニューラルネットワーク(GNN)を提案する。
論文 参考訳（メタデータ） (2024-04-11T18:03:59Z) - A Plug-in Tiny AI Module for Intelligent and Selective Sensor Data
Transmission [10.174575604689391]
本稿では、インテリジェントなデータ伝送機能を備えたセンシングフレームワークを実現するための新しいセンシングモジュールを提案する。
センサの近くに置かれる高効率機械学習モデルを統合する。
このモデルは,無関係な情報を破棄しながら,貴重なデータのみを送信するセンサシステムに対して,迅速なフィードバックを提供する。
論文 参考訳（メタデータ） (2024-02-03T05:41:39Z) - 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) - Semantics-aware Adaptive Knowledge Distillation for Sensor-to-Vision
Action Recognition [131.6328804788164]
本稿では,視覚・センサ・モダリティ(動画)における行動認識を強化するためのフレームワーク,Semantics-Aware Adaptive Knowledge Distillation Networks (SAKDN)を提案する。
SAKDNは複数のウェアラブルセンサーを教師のモダリティとして使用し、RGB動画を学生のモダリティとして使用している。
論文 参考訳（メタデータ） (2020-09-01T03:38:31Z) - Learning Selective Sensor Fusion for States Estimation [47.76590539558037]
本稿では,エンド・ツー・エンドのセンサ・フュージョン・モジュールであるSelectFusionを提案する。
予測中、ネットワークは異なるセンサーモードから潜伏する特徴の信頼性を評価することができる。
我々は、公開データセットと漸進的に劣化したデータセットの両方において、すべての融合戦略を広範囲に評価する。
論文 参考訳（メタデータ） (2019-12-30T20:25:16Z)
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。