論文の概要: TERRA: Task-Oriented Edge AI for Regional Fire Detection with Identity-Free Reporting

• arxiv url: http://arxiv.org/abs/2610.37909v1
• Date: Tue, 27 Oct 2026 19:46:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-31 05:25:12.324058
• Title: TERRA: Task-Oriented Edge AI for Regional Fire Detection with Identity-Free Reporting
• Title（参考訳）: TERRA: アイデンティティフリーレポートによる地域火災検知のためのタスク指向エッジAI
• Abstract要約: TERRAは、タスク指向のローカル推論、アイデンティティフリーなリージョンタグレポーティング、置換不変の地域エビデンスアグリゲーションを組み合わせたエッジAIフレームワークである。 本稿では,表現サイズ,タスク負荷量の定量化,レポートの可利用性,誤検出メッセージに対する堅牢性について検討する。
• 参考スコア（独自算出の注目度）: 7.818484913461344
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Distributed fire-monitoring systems may involve many sensing devices reporting over a shared uplink, even though the operational objective is often to identify regions exhibiting evidence of fire rather than to recover device-specific measurements. We introduce TERRA (Task-Oriented Edge Representation and Regional Aggregation), an edge-AI framework that combines task-oriented local inference, identity-free region-tagged reporting, and permutation-invariant regional evidence aggregation. TERRA supports two reporting modes: TERRA-Score, in which each device communicates a quantized local fire probability, and TERRA-Feature, in which it communicates a compact learned representation for receiver-side aggregation using a permutation-invariant DeepSets model. Using all 15 numerical sensing modalities of the distributed indoor EN54 fire-alarm dataset as a proof-of-concept testbed, we evaluate regional inference for an episode-level fire-scenario target under repetition-disjoint three-fold cross-validation. We study representation size, task-payload quantization, report availability, and robustness to missed and false recovered messages. With nine reports and perfect message recovery, TERRA-Feature achieves mean AUPRC 0.990 using a 24-bit task payload, while TERRA-Score achieves 0.987 using only 6 bits; both attain an MDR of 1.81% at FAR $\leq$1%. TERRA-Feature achieves slightly higher AUPRC under reliable recovery, whereas the more compact TERRA-Score is less sensitive to increasing false-message contamination.
• Abstract（参考訳）: 分散火災監視システムは、デバイス固有の測定を回復するよりも、しばしば火災の証拠を示す領域を特定することを目的としているにもかかわらず、多くのセンサーデバイスが共有アップリンク上で報告する可能性がある。 本稿では,タスク指向のローカル推論,アイデンティティフリーな地域タグ付けレポート,置換不変な地域証拠集約を組み合わせたエッジAIフレームワークであるTERRAを紹介する。 TERRAは、各デバイスが量子化された局所火災確率を通信するTERRA-Scoreと、置換不変のDeepSetsモデルを用いて受信側アグリゲーションのためのコンパクトな学習表現を通信するTERRA-Featureの2つのレポートモードをサポートする。 室内のEN54火災警報データセットの15種類の数値的モダリティを概念実証ベッドとして用いて, 繰り返し3倍のクロスバリデーションにより, エピソードレベルの火災予知対象の地域推定を行った。 本稿では,表現サイズ,タスク負荷量の定量化,レポートの可利用性,誤検出メッセージに対する堅牢性について検討する。 9つのレポートと完璧なメッセージリカバリにより、TERRA-Featureは平均AUPRC 0.990を24ビットのタスクペイロードで達成し、TERRA-Scoreはわずか6ビットで0.987を達成し、どちらもFAR$\leq$1%で1.81%のMDRを達成した。 TERRA-Featureは信頼性の高い回復下でわずかに高いAUPRCを達成するが、よりコンパクトなTERRA-Scoreは偽メッセージ汚染の増加に敏感ではない。

関連論文リスト

• DeBERTa-ConPara: Attack-Aware and Deployment-Realistic Detection of AI-Generated Text [42.255101883505056]
  DeBERTa-ConParaは,HC3 Plus,M4,MAGE,RAIDで学習した文脈変換器エンコーダと,攻撃対応Unicode前処理を組み合わせたデプロイメント指向検出器である。 我々の中心的な発見は、前処理が適用された場所によって反対方向に作用することである。 2つの配置の因子的変化は、正規化推論による生のトレーニングを最高の設定として独立に識別する。 12種類の攻撃クラスのうち、ホモグリーフとゼロ幅空間の挿入は11.05%から1.12%から96.98%に増加した。
  論文  参考訳（メタデータ） (2026-10-01T00:57:33Z)
• Explainable Geospatial AI for Satellite Ground Station Siting Using LiDAR-Derived Terrain Intelligence [0.0]
  RCHは、電波伝搬と干渉解析において重要なパラメータである。 オープンな地理空間データからRCHを予測するための、解釈可能な、グローバルにデプロイ可能な機械学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-19T19:08:52Z)
• NARRAS: Edge-Triggered Distributed Inference for CSI-Based Localization in Vehicular IoT Networks [52.237935683898144]
  車両用IoTネットワークにおけるCSIベースのローカライゼーションのためのETDIをインスタンス化する。 NARRASは、各RAAが最新の観測結果の要約と送信した最後の潜伏状態の記憶を結合した分散レポートポリシーである。
  論文  参考訳（メタデータ） (2026-06-10T10:47:44Z)
• Unsupervised LiDAR-Based Multi-UAV Detection and Tracking Under Extreme Sparsity [2.3646560222366695]
  非繰り返し固体LiDARスキャンは、空中UAVを検出するための極めてスパースな測定条件をもたらす。 ラベル付きトレーニングデータを必要とせずに、検出とトラッキングの両方に対処する、教師なしのLiDARのみのパイプラインを導入します。
  論文  参考訳（メタデータ） (2026-03-12T06:19:51Z)
• Isolation-based Spherical Ensemble Representations for Anomaly Detection [60.989157958972356]
  不正検出、ネットワークセキュリティ、ログ監視を対象とするアプリケーションによるデータマイニングと管理において、異常検出は重要なタスクである。 既存の教師なし異常検出手法は、分散仮定の矛盾、計算の非効率性、異なる異常型を扱う難しさなど、基本的な課題に直面している。 Isolation-based Spherical Ensemble Representations (ISER) は, 局所密度特性のプロキシとしてハイパースフィアラジイを用いて, 線形時間と定数空間の複雑さを保ちながら, 既存の分離法を拡張したものである。
  論文  参考訳（メタデータ） (2025-10-15T09:00:05Z)
• DETR Doesn't Need Multi-Scale or Locality Design [69.56292005230185]
  本稿では,"プレーン"特性を維持できる改良型DETR検出器を提案する。 特定の局所性制約を伴わずに、単一スケールの機能マップとグローバルなクロスアテンション計算を使用する。 マルチスケールな特徴マップと局所性制約の欠如を補うために,2つの単純な技術が平易な設計において驚くほど効果的であることを示す。
  論文  参考訳（メタデータ） (2023-08-03T17:59:04Z)
• Semantic-Aligned Matching for Enhanced DETR Convergence and Multi-Scale Feature Fusion [95.7732308775325]
  提案したDetection TRansformer (DETR) は、オブジェクト検出のための完全なエンドツーエンドパラダイムを確立している。 DETRは遅いトレーニング収束に悩まされており、様々な検出タスクの適用性を妨げている。 我々は,DETRの収束を加速し,検出性能を向上させるためにセマンティック・アラインド・マッチDreTR++を設計する。
  論文  参考訳（メタデータ） (2022-07-28T15:34:29Z)
• Triggering Failures: Out-Of-Distribution detection by learning from local adversarial attacks in Semantic Segmentation [76.2621758731288]
  セグメンテーションにおけるアウト・オブ・ディストリビューション(OOD)オブジェクトの検出に取り組む。 私たちの主な貢献は、ObsNetと呼ばれる新しいOOD検出アーキテクチャであり、ローカル・アタック(LAA)に基づく専用トレーニングスキームと関連付けられています。 3つの異なるデータセットの文献の最近の10つの手法と比較して,速度と精度の両面で最高の性能が得られることを示す。
  論文  参考訳（メタデータ） (2021-08-03T17:09:56Z)
• Collaborative Training between Region Proposal Localization and Classification for Domain Adaptive Object Detection [121.28769542994664]
  オブジェクト検出のためのドメイン適応は、ラベル付きデータセットからラベル付きデータセットへの検出を適応させようとする。 本稿では,地域提案ネットワーク (RPN) と地域提案分類器 (RPC) が,大きなドメインギャップに直面した場合の転送可能性が大きく異なることを初めて明らかにする。
  論文  参考訳（メタデータ） (2020-09-17T07:39:52Z)

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。