論文の概要: Exposure-Length Trade-off Optimization for Obstacle-Aware Intrusion Paths in Heterogeneous Wireless Sensor Networks

• arxiv url: http://arxiv.org/abs/2611.01606v1
• Date: Sun, 01 Nov 2026 05:47:46 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 20:05:02.256588
• Title: Exposure-Length Trade-off Optimization for Obstacle-Aware Intrusion Paths in Heterogeneous Wireless Sensor Networks
• Title（参考訳）: 異種無線センサネットワークにおける障害物対応侵入経路の露光長トレードオフ最適化
• Abstract要約: バリアカバレッジは、IoT対応のワイヤレスセンサネットワークにおける侵入検知と監視のための重要なパラダイムである。 本論文では、異種センサフィールドにおける障害物対応最大露光経路計画問題について検討する。
• 参考スコア（独自算出の注目度）: 1.7469242331602886
• License:
• Abstract: Barrier coverage is a key paradigm for intrusion detection and surveillance in IoT-enabled heterogeneous wireless sensor networks, where monitoring quality depends not only on the existence of sensing barriers but also on the detectability of feasible crossing paths. In this paper, we study the obstacle-aware maximal exposure path planning problem in heterogeneous sensor fields under truncated omni-directional sensing and line-of-sight occlusion. Unlike conventional maximal exposure formulations that focus only on exposure maximization, the considered problem seeks side-to-side feasible paths that simultaneously maximize accumulated sensing exposure and minimize path length in obstacle-constrained environments. To address this bi-objective problem, we develop OG-MOEA/D, a problem-specific MOEAD method that combines a fixed-grid path representation with obstacle-aware feasibility checking and adaptive repair. The standard decomposition, neighborhood update, SBX, and polynomial mutation mechanisms are inherited from MOEA/D rather than claimed as new. Extensive simulations on networks with varying sensor densities and obstacle layouts show that OG-MOEA/D consistently improves hypervolume over generations and produces well-distributed Pareto fronts. Direct obstacle-constrained comparisons with MOEA/D and NSGA-II over 20 independent runs show higher HV and lower IGD for OG-MOEA/D in all four tested sensor-network sizes. The results should be interpreted as controlled simulation evidence for surveillance-strength evaluation in synthetic two-dimensional heterogeneous WSN scenarios, rather than as a model of realistic evasive intrusion behavior or a complete real-world deployment.
• Abstract（参考訳）: バリアカバレッジは、IoT対応の異種無線センサネットワークにおける侵入検知と監視の重要なパラダイムであり、監視品質は、検知障壁の存在だけでなく、実現可能な交差パスの検出性にも依存する。 本稿では,不均一なセンサフィールドにおける障害物を考慮した最大露光経路計画問題について検討する。 露光最大化のみに焦点をあてた従来の最大露光定式化とは異なり, 検討された課題は, 蓄積した露光量を同時に最大化し, 障害物拘束環境下での経路長を最小化する, 左右両立可能な経路を求めるものである。 この二目的問題に対処するために,固定グリッドパス表現と障害物認識実現可能性チェックと適応的修復を組み合わせた問題固有MOEAD法であるOG-MOEA/Dを開発した。 標準分解、近傍更新、SBX、および多項式突然変異機構は、新しいものと主張されるのではなく、MOEA/Dから継承される。 センサ密度や障害物配置の異なるネットワーク上での広範囲なシミュレーションにより、OG-MOEA/Dは世代ごとに常にハイパーボリュームを改善し、よく分散されたパレートフロントを生成することが示された。 20回の独立走行におけるMOEA/DとNSGA-IIとの直接障害物拘束比較の結果,OG-MOEA/DのIGDは4種類のセンサネットワークサイズで高いHVと低いIGDを示した。 この結果は、現実的な回避侵入行動のモデルや完全な実世界の展開ではなく、合成2次元異種WSNシナリオにおける監視強度評価の制御されたシミュレーション証拠として解釈されるべきである。

関連論文リスト

• SpikeOcc: Towards Resilient Multimodal 3D Occupancy Perception via Spiking Experts [71.09023015847714]
  Spiking Mixture-of-Experts(SMoE)とSensor Availability Learning(SAL) SpikeOccは2つの補完的なコンポーネント、Spike Mixture-of-Experts (SMoE)とSensor Availability Learning (SAL)を備えている。 実験では、SpikeOccは競争力のあるフルセンサーの精度を維持しながら、センサーの停止下でパフォーマンスフロアを著しく上昇させることを示した。
  論文  参考訳（メタデータ） (2026-10-11T16:28:48Z)
• IVT-Guard: All-in-One Reasoning Model for AI-Generated Content Detection [68.61333779483097]
  本稿では,画像,ビデオ,テキストモダリティ間でAIGC検出を統一かつ解釈可能なフレームワークであるIVT-Guardを提案する。 IVT-Guardは、ドメイン内、ドメイン外、データセット間における最先端検出性能を達成する。
  論文  参考訳（メタデータ） (2026-09-27T14:00:55Z)
• LARAD: Layout-Aware Road Anomaly Detection via Spatial-Logic Reasoning [16.92190487823839]
  本稿では,外見整合から空間論理的推論へパラダイムをシフトさせるレイアウトアウェア道路異常検出(LARAD)を提案する。 まず、テクスチャに一貫性があるが空間的に無効なトレーニングサンプルを生成するSpatial-Logic Violation Synthesis Pipelineを紹介する。 第二に、OoD誘導の軽量なアテンションブランチにより、標準的なクローズドセットセグメンテーションネットワークを増強する。
  論文  参考訳（メタデータ） (2026-07-14T15:09:00Z)
• A Surveillance Evasion Game with Continuous Sensor Redeployment via Bilevel Optimization [1.4784044408031098]
  Un Aerialed Systems (UAS) は、重要なインフラのセキュリティに対する脅威となっている。 対向UASと異種センサネットワークとの間の2段階のゼロサム差分ゲームとして,この相互作用を限定する。 建物の境界に沿って各センサが自由にスライドする連続的なセンサ再配置手法を導入する。
  論文  参考訳（メタデータ） (2026-05-27T03:44:27Z)
• Better with Less: Tackling Heterogeneous Multi-Modal Image Joint Pretraining via Conditioned and Degraded Masked Autoencoder [34.73963627819185]
  高分解能光合成開口レーダ(SAR)プレトレーニングは、単一ソース表現を相互に強化するために、モダリティの相乗効果を求める。 我々は、アライメントの少ないテキスト・ベッター・シナジーの先駆者であるCoDe-MAEを提案する。 CoDe-MAEは、表現の劣化を防ぎ、多様な単一および双方向の下流タスクにまたがる新しい最先端のパフォーマンスを確立する。
  論文  参考訳（メタデータ） (2026-04-18T10:23:00Z)
• OmniVL-Guard: Towards Unified Vision-Language Forgery Detection and Grounding via Balanced RL [63.388513841293616]
  既存の偽造検出手法は、現実世界の誤報に多いインターリーブされたテキスト、画像、ビデオを扱うのに失敗する。 このギャップを埋めるため,本論文では,オムニバス・ビジョン言語による偽造検出と接地のための統一フレームワークの開発を目標としている。 我々は、OmniVL-Guardという、オムニバス視覚言語による偽造検出と接地のためのバランスの取れた強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-11T09:41:36Z)
• Diffuse to Detect: A Generalizable Framework for Anomaly Detection with Diffusion Models Applications to UAVs and Beyond [2.4449457537548036]
  UAVセンサーの読み取りなどの複雑な高次元データにおける異常検出は、運用上の安全性に不可欠である。 本稿では,拡散モデルを適用して異常検出を行うDiffuse to Detect(DTD)フレームワークを提案する。 DTDは1ステップの拡散プロセスを用いてノイズパターンを予測し、再構成エラーのない異常の迅速かつ正確な同定を可能にする。
  論文  参考訳（メタデータ） (2025-10-27T02:08:08Z)
• BEVUDA++: Geometric-aware Unsupervised Domain Adaptation for Multi-View 3D Object Detection [56.477525075806966]
  視覚中心のBird's Eye View (BEV) の認識は、自律運転にかなりの可能性を秘めている。 近年の研究では、効率性や精度の向上が優先されているが、ドメインシフトの問題は見過ごされている。 本稿では,この問題を解消するために,革新的な幾何学的学習支援フレームワークであるBEVUDA++を紹介する。
  論文  参考訳（メタデータ） (2025-09-17T16:31:40Z)
• Adaptive Dual Uncertainty Optimization: Boosting Monocular 3D Object Detection under Test-Time Shifts [80.32933059529135]
  TTA(Test-Time Adaptation)メソッドが出現し、推論中にターゲット分布に適応する。 我々は、堅牢なM3ODの両不確実性を共同で最小化するために設計された、最初のTTAフレームワークであるDual Uncertainity Optimization (DUO)を提案する。 並列に,明瞭な意味的手がかりを持つ領域における幾何学的コヒーレンスを保存する意味認識型正規場制約を設計する。
  論文  参考訳（メタデータ） (2025-08-28T07:09:21Z)
• Efficient Unsupervised Domain Adaptation Regression for Spatial-Temporal Sensor Fusion [6.963971634605796]
  環境およびバイオメディカル領域における低コストで分散センサーネットワークは、継続的な大規模健康モニタリングを可能にしている。 これらのシステムは、センサーのドリフト、ノイズ、キャリブレーションの不十分に起因する劣化したデータ品質に関する課題に直面していることが多い。 センサフュージョンとキャリブレーションの伝統的な機械学習手法は、広範な機能工学に依存している。 回帰タスクに適した新しいunsupervised domain adapt(UDA)手法を提案する。
  論文  参考訳（メタデータ） (2024-11-11T12:20:57Z)

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。