Reconstruction of Fields from Sparse Sensing: Differentiable Sensor Placement Enhances Generalization

要約

限られたデータポイントから複雑で高次元のグローバルフィールドを再作成することは、さまざまな科学および産業分野にわたる大きな課題です。
特殊なセンサーの法外なコストと、ドメインの特定の領域に頻繁にアクセスできなくなることを考慮すると、フィールドを完全にカバーすることは通常は現実的ではありません。
したがって、センサーの配置をインテリジェントに改善するアルゴリズムの開発には大きな価値があります。
この研究では、フィールドの再構成を改善するために、ニューラル ネットワーク モデルのトレーニング内でセンサーの配置を活用する微分可能プログラミングを採用する一般的なアプローチを紹介します。
私たちは 2 つの異なるデータセットを使用してメソッドを評価しました。
結果は、私たちのアプローチがテストのスコアを向上させたことを示しています。
最終的に、私たちの差別化可能な配置戦略の方法は、データ収集効率を大幅に向上させ、より徹底的なエリアカバーを可能にし、センサー導入の冗長性を削減する可能性を秘めています。

要約(オリジナル)

Recreating complex, high-dimensional global fields from limited data points is a grand challenge across various scientific and industrial domains. Given the prohibitive costs of specialized sensors and the frequent inaccessibility of certain regions of the domain, achieving full field coverage is typically not feasible. Therefore, the development of algorithms that intelligently improve sensor placement is of significant value. In this study, we introduce a general approach that employs differentiable programming to exploit sensor placement within the training of a neural network model in order to improve field reconstruction. We evaluated our method using two distinct datasets; the results show that our approach improved test scores. Ultimately, our method of differentiable placement strategies has the potential to significantly increase data collection efficiency, enable more thorough area coverage, and reduce redundancy in sensor deployment.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google