文献

J-GLOBAL ID：202002225947446392   整理番号：20A0915763

エッジコンピューティングにおける異常活動検出:転送学習アプローチ【JST・京大機械翻訳】

Abnormal Activity Detection in Edge Computing: A Transfer Learning Approach

著者 (6件)： Zhou Yiyun (Analytics and Data Science Institute) ,  Han Meng (Kennesaw State University,College of Computing and Software Engineering) ,  He Jing Selena (Kennesaw State University,College of Computing and Software Engineering) ,  Liu Liyuan (Analytics and Data Science Institute) ,  Xu Xiaohua (Kennesaw State University,College of Computing and Software Engineering) ,  Gao Xi (University-town Hospital of Chongqing Medical University)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： ICNC  ページ： 107-111  発行年： 2020年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： リアルタイム異常人間活動の検出は,迅速で正確な計算を必要とする。しかしながら,クラウドコンピューティングは,高い応答要求を満たすことができない。従って,エッジコンピューティングの出現は,異常な活動検出のためのデータ処理ソリューションになることが期待される。一方,人工知能(AI)は,急速に出現する力として,新しいレベルへのリードエッジコンピューティングである。エッジコンピューティング埋め込みAIは,IoTデバイスをスマートにすることを可能にする。本研究では,まず,非平衡ラベル問題を解くために,SMOTEを用いた光深い学習フレームワークを提案し,エッジノードにおけるセンサデータを通して異常な人間活動を認識するために,畳込みニューラルネットワーク埋め込み特徴(CNNEF)を実装した。次に,CNNEFから古典的機械学習アルゴリズムへの抽出した高レベル埋込み特徴を,ロジスティック回帰(LR),K最近傍(KNN),決定木(DT),Naive Bayes(NB),ランダムフォレスト(RF),およびサポートベクトルマシン(SVM)のように供給した。以前の研究方法と比較して,著者らの包括的実験結果は,著者らのアルゴリズムの精度と顕著な時間節約のロバスト性を実証した。最高のAUCは99.53%であり,最良の時間減少は97.93%である。提案した方法は,時系列IoTデータ応用のためのエッジ計算ベースのAIの新しい解を提供する。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  *学習 ,  非平衡状態 ,  人工知能 ,  ディシジョンツリー ,  データ処理 ,  ロバスト性 ,  学習アルゴリズム ,  サポートベクトルマシン
準シソーラス用語： ロジスティック回帰分析 ,  ランダムフォレスト ,  クラウドコンピューティング ,  モノのインターネット ,  畳込みニューラルネットワーク ,  *エッジコンピューティング , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (4件)： エッジコンピューティング ,  活動 ,  転送 ,  学習