論文の概要: IGADA-IoT: IoT Sensor Energy Optimization in Wireless Sensor Networks Driven by Automatic Data Augmentation

• arxiv url: http://arxiv.org/abs/2605.27397v1
• Date: Wed, 22 Apr 2026 04:58:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-15 07:09:36.528993
• Title: IGADA-IoT: IoT Sensor Energy Optimization in Wireless Sensor Networks Driven by Automatic Data Augmentation
• Title（参考訳）: IGADA-IoT: 自動データ拡張による無線センサネットワークにおけるIoTセンサエネルギー最適化
• Authors: Mingchun Sun, Rongqiang Zhao, Muhammad Abdul Munnaf, Jie Liu,
• Abstract要約: 無線センサネットワーク(WSN)では、サンプリング周波数決定性能を向上させる新しい手法としてデータ拡張がある。 情報ギャップ誘導型IoTセンサ自動データ拡張フレームワーク(IGADA-IoT)を提案する。
• 参考スコア（独自算出の注目度）: 3.7945275272929084
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In wireless sensor networks (WSNs), data augmentation is a novel method to improve sampling-frequency decision performance, thereby enabling energy optimization for IoT (Internet of Things) sensors. However, existing methods rely on a single generator and empirically determined quantities, failing to establish a mapping between dynamic information gaps and multiple generators, and overlooking the heterogeneity of generated samples. Moreover, an evaluation and a closed-loop method that jointly considers the information gap and the model performance are lacking. To address these issues, we propose an information gap-guided IoT sensor automatic data augmentation framework (IGADA-IoT) with hierarchical multi-generator collaboration and scheduling over multiple rounds. Capabilities of different generators are jointly utilized to reduce the information gaps. In the IGADA-IoT, a hierarchical multi-generator collaboration and scheduling strategy (HMGCS) is proposed to enhance the targetedness and rationality of generated sample allocation. An information gap-model performance joint evaluation and closed-loop method (IGMP-EC) is proposed to enhance the accuracy of augmentation decisions, and to mitigate the risks of under-augmentation and over-augmentation. Experimental results show that the IGADA-IoT improves the average accuracy of multiple downstream models by 7.27%. Compared with advanced data augmentation methods, the average accuracy is improved by 8.67%. Compared with the individual generators, the average accuracy is improved by 7.24%. Furthermore, public IoT sensor datasets from the UCR Archive and real-world deployments demonstrate the accuracy and generalizability of the proposed method.
• Abstract（参考訳）: 無線センサネットワーク(WSN)において、データ拡張はサンプリング周波数決定性能を改善する新しい手法であり、IoT(Internet of Things)センサのエネルギー最適化を可能にする。 しかし、既存の手法は単一の生成器と経験的に決定された量に依存しており、動的情報ギャップと複数の生成器の間のマッピングを確立できず、生成したサンプルの不均一性を見落としている。 さらに、情報ギャップとモデル性能を共同で検討する評価と閉ループ方式が欠落している。 これらの問題に対処するため,情報ギャップ誘導型IoTセンサ自動データ拡張フレームワーク(IGADA-IoT)を提案する。 異なる発電機の能力は、情報ギャップを減らすために共同で利用される。 IGADA-IoTでは,階層型マルチジェネレータ協調スケジューリング戦略(HMGCS)が提案され,生成したサンプルアロケーションの目的性と合理性を高める。 情報ギャップモデルの性能評価と閉ループ法 (IGMP-EC) が提案され, 拡張決定の精度を高め, アンダー・アンダー・アンダー・アンダー・アンダー・アンダー・アンダー・アンダー・アンダー・アンダー・アンダー・アンダー・アンダー・アンダー・アンダー・アンダー・アンダー・アンダー・アンダー・アンダー・アンダー・アンダー・アンダー・アンダー・アンダー・アンダー・アンダー・アンダー・アンダー・アンダー・アンダー・アンダー・アンダー・アンダー・アンダー・アンダー・アンダー・アンダー・アンダー・アンダー・アンダー・アンダー・アンダー・アンダー・アンダー・エン 実験の結果、IGADA-IoTは複数の下流モデルの平均精度を7.27%向上させることが示された。 高度なデータ拡張法と比較すると、平均精度は8.67%向上している。 個々の発電機と比較して平均精度は7.24%向上している。 さらに、UCR Archiveと実世界のデプロイから得られたパブリックなIoTセンサデータセットは、提案手法の精度と一般化性を示している。

関連論文リスト

• GO-GenZip: Goal-Oriented Generative Sampling and Hybrid Compression [50.76941829813458]
  現在のネットワークデータテレメトリパイプラインは、複数の分散ソースから中央アグリゲータへの、きめ細かいキーパフォーマンス指標(KPI)の巨大なストリームで構成されている。 本研究は、目標指向の観点からネットワークテレメトリを再設計する、ジェネレーティブAI(GenAI)駆動サンプリングとハイブリッド圧縮フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-20T16:33:15Z)
• Securing IoT Communications via Anomaly Traffic Detection: Synergy of Genetic Algorithm and Ensemble Method [0.0]
  モノのインターネットの急速な成長は、コネクテッドデバイス間でシームレスなデータ交換を可能にすることで産業を変革させた。 IoTネットワークは、DoS(DoS)攻撃、異常トラフィック、データ操作など、セキュリティ上の脅威に対して脆弱なままである。 本稿では,3つの主要な位相を持つ高度な異常検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-21T22:42:05Z)
• Efficient Federated Learning with Heterogeneous Data and Adaptive Dropout [62.73150122809138]
  Federated Learning(FL)は、複数のエッジデバイスを使用したグローバルモデルの協調トレーニングを可能にする、有望な分散機械学習アプローチである。 動的不均一モデルアグリゲーション(FedDH)と適応ドロップアウト(FedAD)の2つの新しい手法を備えたFedDHAD FLフレームワークを提案する。 これら2つの手法を組み合わせることで、FedDHADは精度(最大6.7%)、効率(最大2.02倍高速)、コスト(最大15.0%小型)で最先端のソリューションを大幅に上回っている。
  論文  参考訳（メタデータ） (2025-07-14T16:19:00Z)
• VAE-based Feature Disentanglement for Data Augmentation and Compression in Generalized GNSS Interference Classification [42.14439854721613]
  干渉の正確な分類を可能にする重要な潜伏特徴を抽出するために, アンタングル化のための変分オートエンコーダ (VAE) を提案する。 提案するVAEは512から8,192の範囲のデータ圧縮率を実現し,99.92%の精度を実現している。
  論文  参考訳（メタデータ） (2025-04-14T13:38:00Z)
• AI-in-the-Loop Sensing and Communication Joint Design for Edge Intelligence [65.29835430845893]
  本稿では,AI-in-the-loopジョイントセンシングと通信によるエッジインテリジェンス向上のためのフレームワークを提案する。 私たちの研究の重要な貢献は、バリデーション損失とシステムのチューニング可能なパラメータとの間に明確な関係を確立することです。 提案手法は, 通信エネルギー消費を最大77%削減し, 試料数で測定した検知コストを最大52%削減する。
  論文  参考訳（メタデータ） (2025-02-14T14:56:58Z)
• SIRST-5K: Exploring Massive Negatives Synthesis with Self-supervised Learning for Robust Infrared Small Target Detection [53.19618419772467]
  単一フレーム赤外線小ターゲット検出(SIRST)は、乱雑な背景から小さなターゲットを認識することを目的としている。 Transformerの開発に伴い、SIRSTモデルのスケールは常に増大している。 赤外線小ターゲットデータの多彩な多様性により,本アルゴリズムはモデル性能と収束速度を大幅に改善する。
  論文  参考訳（メタデータ） (2024-03-08T16:14:54Z)
• Comparison of edge computing methods in Internet of Things architectures for efficient estimation of indoor environmental parameters with Machine Learning [0.0]
  室内環境品質(IEQ)パラメータを推定する軽量機械学習モデルを提案する。 その実装は、集中化された分散並列IoTアーキテクチャに基づいており、無線で接続されている。 MLモデルのトレーニングとテストは、小さな温度と照度データセットに焦点を当てた実験によって達成される。
  論文  参考訳（メタデータ） (2024-02-07T21:15:18Z)
• Filling the Missing: Exploring Generative AI for Enhanced Federated Learning over Heterogeneous Mobile Edge Devices [72.61177465035031]
  ローカルデータのFIMI(FIlling the MIssing)部分を活用することにより,これらの課題に対処する,AIを活用した創発的なフェデレーション学習を提案する。 実験の結果,FIMIはデバイス側エネルギーの最大50%を節約し,目標とするグローバルテスト精度を達成できることがわかった。
  論文  参考訳（メタデータ） (2023-10-21T12:07:04Z)

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。