A distributed neural network architecture for dynamic sensor selection with application to bandwidth-constrained body-sensor networks

要約

私たちは、ディープ ニューラル ネットワーク (DNN) 向けの動的なセンサー選択アプローチを提案します。これは、データセット全体の固定選択ではなく、特定の入力サンプルごとに最適なセンサー サブセットの選択を導き出すことができます。
この動的選択は、Gumbel-Softmax トリックを使用してエンドツーエンドの方法でタスク モデルと共同して学習され、標準の逆伝播を通じて個別の決定を学習できるようになります。
次に、この動的な選択を使用して、各ノードが送信を許可される頻度に制約を課すことにより、ワイヤレス センサー ネットワーク (WSN) の寿命を延ばす方法を示します。
可能性のある多数のノード サブセットを処理できる必要があるという事実に対してタスク DNN をより堅牢にする動的空間フィルターを組み込むことで、パフォーマンスをさらに向上させます。
最後に、最適なチャネルの選択を WSN 内のさまざまなノードに分散する方法について説明します。
私たちは、実際の脳波 (EEG) センサー データを使用して EEG センサー ネットワークをエミュレートする、身体センサー ネットワークのコンテキストにおけるユースケースでこの方法を検証します。
送信負荷とタスクの精度の間で生じるトレードオフを分析します。

要約(オリジナル)

We propose a dynamic sensor selection approach for deep neural networks (DNNs), which is able to derive an optimal sensor subset selection for each specific input sample instead of a fixed selection for the entire dataset. This dynamic selection is jointly learned with the task model in an end-to-end way, using the Gumbel-Softmax trick to allow the discrete decisions to be learned through standard backpropagation. We then show how we can use this dynamic selection to increase the lifetime of a wireless sensor network (WSN) by imposing constraints on how often each node is allowed to transmit. We further improve performance by including a dynamic spatial filter that makes the task-DNN more robust against the fact that it now needs to be able to handle a multitude of possible node subsets. Finally, we explain how the selection of the optimal channels can be distributed across the different nodes in a WSN. We validate this method on a use case in the context of body-sensor networks, where we use real electroencephalography (EEG) sensor data to emulate an EEG sensor network. We analyze the resulting trade-offs between transmission load and task accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google