Efficient and robust Sensor Placement in Complex Environments

要約

私たちは、複雑な環境における効率的で障害のない監視や通信の問題に取り組みます。
一方で、環境をカバーするために最小限の数のセンサーを使用したいと考えます。
一方で、多くの場合、センサーの障害や敵対的な攻撃に対して堅牢なソリューションを検討することが重要です。
このペーパーでは、環境内のすべてのポイントが所定の数のセンサーでカバーされるという、マルチカバレッジの制約を達成する最小限のセンサー セットを設計するという課題に取り組みます。
目的を達成するための貪欲なアルゴリズムを提案します。
さらに、貪欲アルゴリズムで定式化された目的関数の評価を高速化するための深層学習技術を探索します。
ニューラル ネットワークのトレーニングにより、データの幾何学的特性が、特に最終段階でネットワークのパフォーマンスに大きな影響を与えることが明らかになりました。
これらの特性を考慮して、貪欲アルゴリズムと $\epsilon$-greedy アルゴリズムを使用してデータを生成する場合の違いと、ネットワークの堅牢性に与える影響について説明します。

要約(オリジナル)

We address the problem of efficient and unobstructed surveillance or communication in complex environments. On one hand, one wishes to use a minimal number of sensors to cover the environment. On the other hand, it is often important to consider solutions that are robust against sensor failure or adversarial attacks. This paper addresses these challenges of designing minimal sensor sets that achieve multi-coverage constraints — every point in the environment is covered by a prescribed number of sensors. We propose a greedy algorithm to achieve the objective. Further, we explore deep learning techniques to accelerate the evaluation of the objective function formulated in the greedy algorithm. The training of the neural network reveals that the geometric properties of the data significantly impact the network’s performance, particularly at the end stage. By taking into account these properties, we discuss the differences in using greedy and $\epsilon$-greedy algorithms to generate data and their impact on the robustness of the network.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google