SlideShare a Scribd company logo
1 of 32
Practical Asynchronous Neighbor Discovery and Rendezvous for  Mobile Sensing Applications Prabal Dutta, David Culler Computer Science Division, University of Berkeley {prabal,culler}@cs.berkeley.edu SenSys’08, November 5-7, 2008. 発表者:下城拓也  [email_address]
アウトライン ,[object Object],[object Object],[object Object],[object Object],[object Object]
研究背景 ,[object Object],すれ違い通信 家畜の管理
研究背景 ,[object Object],[object Object],近くに 3 つあるな 新しく電源を入れたな
Duty cycle ,[object Object],[object Object],[object Object],[object Object],間欠動作 ランデブー Duty cycle Duty cycle=1% の時 消費電力は 1/100 に。 1 回の通信の単位 =スロット ON OFF OFF Transmit Listen Recieve OFF
目的 ,[object Object],[object Object],[object Object],[object Object],[object Object],電池残量多い データを集める etc 電池残量少ない データを送るだけ etc Duty cycle を高く設定 (e.g.10%) Duty cycle を低く設定 (e.g.1%)
関連研究 ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],8 7 2 1 10 9 4 3 12 11 6 5 20 19 14 13 22 21 16 15 24 23 18 17 32 31 26 25 34 33 28 27 36 35 30 29 Transmit Listen Rendezvous
Disco (ランデブーアルゴリズム) ,[object Object],[object Object],[object Object],[object Object],Node 1 (7, 13)->21% Node 2 (13, 31)->10% ・・・ 5 6 7 8 9 10 11 12 13 14 15 16 17 18 ・・・ ・・・ 10 11 12 13 14 15 28 29 30 31 32 33 34 ・・・ ・・・ ON ON ON ON ON
Disco:  単純化したモデル ,[object Object],[object Object],[object Object],Node 1 (3) Node 2 (5) global な時刻  x 0 1 2 3 4 5 6 7 8 9 10 11 12 13 ・・・ 1 2 3 4 5 6 7 8 9 10 11 12 13 14 ・・・ 0 0 1 2 3 4 6 7 8 9 10 11 12 ・・・ 5 15 16 17 18 19 20 21 22 23 24 25 26 27 28 ・・・ ・・・ 14 15 16 17 18 19 20 21 22 23 24 25 26 27 ・・・ ・・・ 14 15 16 17 18 20 21 22 23 24 25 26 ・・・ 19 ・・・ 13
Disco ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],5%=(23, 157 ) 5%=( 23 ,157)
評価 ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
評価 (Simulation) ,[object Object],違う組み合わせが早い 組み合わせ数は離れている ほうが早い
素数の選び方 シンメトリックな組み合わせ アシンメトリックな組み合わせ アシンメトリックなもののうち バランスな組み合わせ アシンメトリック・ アンバランスな組み合わせ (37,43)(37,43)etc (31,59)(37,43)etc (31,59)(37,43)etc (31,59)(23,157)etc アンバランス・アシンメトリックな 組み合わせが一番発見時間が短い!
クラス分けによる発見時間短縮 ,[object Object],5%=(23,157) 5%=(31,59) 5%=(61,73)
評価( Empirical) ,[object Object]
まとめ ,[object Object],[object Object],[object Object],Duty cycle=5% (20 秒に 1 回 ON) Duty cycle=1% (100 秒に 1 回 ON)
感想など ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
Appendix
中国の剰余定理 ,[object Object],[object Object],[object Object],[object Object],[object Object],【解法】 3 で割ると、 2 余る数として 140 5 で割ると、 3 余る数として 63 7 で割ると、 2 余る数として 30 を考える。 これらの和 233 から 3*5*7=105 を 繰り返し引くことにより、 233-105-105=23 を得る。 最小公倍数までにランデブー することを示している(余りは スロットのずれ)
中国の剰余定理 また、下のように考えることもできる。 【解法】 p,q,r を任意の整数とする。 x=3p+2 ④ ④ を②に代入 3p≡1(mod5) 6p≡p≡2(mod5) ∴ p=5q+2 ⑤ これを繰り返し X=105r+23 r=0 の時、 x=23
関連研究: Birthday Protocol (1) ,[object Object],Q : 40 人のクラスで 同じ誕生日の人が いる確率は? A : 83 % 意外と高い! これを利用 8 月 15 日 生まれです 私も 8 月 15 日 生まれです McGlynn et al., “Birthday protocols for low energy deployment and flexible neighbor discovery in ad hoc wireless networks,” MobiHoc’01.
関連研究: Birthday Protocol (2) ,[object Object],[object Object],[object Object],[object Object]
[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],関連研究: Quorum Tseng et al., “Power-saving protocols for IEEE 802.11-based multi-hop ad hoc networks,” INFOCOM’02.
関連研究: MAC の改良 ,[object Object],[object Object],[object Object],プリアンブルの長さに依存するため Duty cycle を自由に決められない preamble pre am ble ON ON ON ON X-MAC B-MAC
素数の選び方 ,[object Object],[object Object],[object Object]
組み合わせと発見時間 ,[object Object]
素数の選び方 ,[object Object],[object Object],duty cycle(%)
slot のずれと clock skew への対応 Slot のずれ Clock skew 先頭と末尾で Beacon を出すことで、いずれも対応可能
評価( Empirical ) ,[object Object],素数の組み合わせ =(97,103) 最小公倍数 =9991 これにスロット数 (ms) を乗算 ⇒ 1 つのノード発見時間
発見までにかかる時間
発見時間と duty cycle
近傍ノードの発見時間

More Related Content

What's hot

貪欲法による
単調劣モジュラ関数の最大化
貪欲法による
単調劣モジュラ関数の最大化貪欲法による
単調劣モジュラ関数の最大化
貪欲法による
単調劣モジュラ関数の最大化Ikumi Shimizu
 
ニューラルネットワーク入門
ニューラルネットワーク入門ニューラルネットワーク入門
ニューラルネットワーク入門naoto moriyama
 
ハイブリッド型樹木法
ハイブリッド型樹木法ハイブリッド型樹木法
ハイブリッド型樹木法Mitsuo Shimohata
 
Chapter 8 ボルツマンマシン - 深層学習本読み会
Chapter 8 ボルツマンマシン - 深層学習本読み会Chapter 8 ボルツマンマシン - 深層学習本読み会
Chapter 8 ボルツマンマシン - 深層学習本読み会Taikai Takeda
 
IJPC-2 C問題解説
IJPC-2 C問題解説IJPC-2 C問題解説
IJPC-2 C問題解説yutaka1999
 
制限ボルツマンマシン入門
制限ボルツマンマシン入門制限ボルツマンマシン入門
制限ボルツマンマシン入門佑馬 斎藤
 
Limits on Super-Resolution and How to Break them
Limits on Super-Resolution and How to Break themLimits on Super-Resolution and How to Break them
Limits on Super-Resolution and How to Break themMorpho, Inc.
 
レトリバ勉強会資料:深層学習による自然言語処理2章
レトリバ勉強会資料:深層学習による自然言語処理2章レトリバ勉強会資料:深層学習による自然言語処理2章
レトリバ勉強会資料:深層学習による自然言語処理2章Hiroki Iida
 
仕事をしよう!
仕事をしよう!仕事をしよう!
仕事をしよう!gotoloop
 
Vinculum
VinculumVinculum
Vinculumtomerun
 
[DL輪読会]Clebsch–Gordan Nets: a Fully Fourier Space Spherical Convolutional Neu...
[DL輪読会]Clebsch–Gordan Nets: a Fully Fourier Space Spherical Convolutional Neu...[DL輪読会]Clebsch–Gordan Nets: a Fully Fourier Space Spherical Convolutional Neu...
[DL輪読会]Clebsch–Gordan Nets: a Fully Fourier Space Spherical Convolutional Neu...Deep Learning JP
 
キャッシュコヒーレントに囚われない並列カウンタ達
キャッシュコヒーレントに囚われない並列カウンタ達キャッシュコヒーレントに囚われない並列カウンタ達
キャッシュコヒーレントに囚われない並列カウンタ達Kumazaki Hiroki
 
RBMを応用した事前学習とDNN学習
RBMを応用した事前学習とDNN学習RBMを応用した事前学習とDNN学習
RBMを応用した事前学習とDNN学習Masayuki Tanaka
 
PRML復々習レーン#7 前回までのあらすじ
PRML復々習レーン#7 前回までのあらすじPRML復々習レーン#7 前回までのあらすじ
PRML復々習レーン#7 前回までのあらすじsleepy_yoshi
 
ディープボルツマンマシン入門〜後半〜
ディープボルツマンマシン入門〜後半〜ディープボルツマンマシン入門〜後半〜
ディープボルツマンマシン入門〜後半〜sakaizawa
 
Osaka prml reading_2.3.1-2
Osaka prml reading_2.3.1-2Osaka prml reading_2.3.1-2
Osaka prml reading_2.3.1-2florets1
 
ディープボルツマンマシン入門
ディープボルツマンマシン入門ディープボルツマンマシン入門
ディープボルツマンマシン入門Saya Katafuchi
 

What's hot (20)

貪欲法による
単調劣モジュラ関数の最大化
貪欲法による
単調劣モジュラ関数の最大化貪欲法による
単調劣モジュラ関数の最大化
貪欲法による
単調劣モジュラ関数の最大化
 
ニューラルネットワーク入門
ニューラルネットワーク入門ニューラルネットワーク入門
ニューラルネットワーク入門
 
ハイブリッド型樹木法
ハイブリッド型樹木法ハイブリッド型樹木法
ハイブリッド型樹木法
 
Chapter 8 ボルツマンマシン - 深層学習本読み会
Chapter 8 ボルツマンマシン - 深層学習本読み会Chapter 8 ボルツマンマシン - 深層学習本読み会
Chapter 8 ボルツマンマシン - 深層学習本読み会
 
確率プロット
確率プロット確率プロット
確率プロット
 
IJPC-2 C問題解説
IJPC-2 C問題解説IJPC-2 C問題解説
IJPC-2 C問題解説
 
制限ボルツマンマシン入門
制限ボルツマンマシン入門制限ボルツマンマシン入門
制限ボルツマンマシン入門
 
Limits on Super-Resolution and How to Break them
Limits on Super-Resolution and How to Break themLimits on Super-Resolution and How to Break them
Limits on Super-Resolution and How to Break them
 
レトリバ勉強会資料:深層学習による自然言語処理2章
レトリバ勉強会資料:深層学習による自然言語処理2章レトリバ勉強会資料:深層学習による自然言語処理2章
レトリバ勉強会資料:深層学習による自然言語処理2章
 
仕事をしよう!
仕事をしよう!仕事をしよう!
仕事をしよう!
 
20140306 ibisml
20140306 ibisml20140306 ibisml
20140306 ibisml
 
Vinculum
VinculumVinculum
Vinculum
 
[DL輪読会]Clebsch–Gordan Nets: a Fully Fourier Space Spherical Convolutional Neu...
[DL輪読会]Clebsch–Gordan Nets: a Fully Fourier Space Spherical Convolutional Neu...[DL輪読会]Clebsch–Gordan Nets: a Fully Fourier Space Spherical Convolutional Neu...
[DL輪読会]Clebsch–Gordan Nets: a Fully Fourier Space Spherical Convolutional Neu...
 
Programming school 10
Programming school 10Programming school 10
Programming school 10
 
キャッシュコヒーレントに囚われない並列カウンタ達
キャッシュコヒーレントに囚われない並列カウンタ達キャッシュコヒーレントに囚われない並列カウンタ達
キャッシュコヒーレントに囚われない並列カウンタ達
 
RBMを応用した事前学習とDNN学習
RBMを応用した事前学習とDNN学習RBMを応用した事前学習とDNN学習
RBMを応用した事前学習とDNN学習
 
PRML復々習レーン#7 前回までのあらすじ
PRML復々習レーン#7 前回までのあらすじPRML復々習レーン#7 前回までのあらすじ
PRML復々習レーン#7 前回までのあらすじ
 
ディープボルツマンマシン入門〜後半〜
ディープボルツマンマシン入門〜後半〜ディープボルツマンマシン入門〜後半〜
ディープボルツマンマシン入門〜後半〜
 
Osaka prml reading_2.3.1-2
Osaka prml reading_2.3.1-2Osaka prml reading_2.3.1-2
Osaka prml reading_2.3.1-2
 
ディープボルツマンマシン入門
ディープボルツマンマシン入門ディープボルツマンマシン入門
ディープボルツマンマシン入門
 

Viewers also liked

Форум IPhEB - Иващенко А.А., председатель Совета директоров ЦВТ «ХимРар»
Форум IPhEB - Иващенко А.А., председатель Совета директоров ЦВТ «ХимРар»Форум IPhEB - Иващенко А.А., председатель Совета директоров ЦВТ «ХимРар»
Форум IPhEB - Иващенко А.А., председатель Совета директоров ЦВТ «ХимРар»Diana Larina
 
Форум IPhEB - Марсело Э. Бигаль, компания Merck
Форум IPhEB - Марсело Э. Бигаль, компания MerckФорум IPhEB - Марсело Э. Бигаль, компания Merck
Форум IPhEB - Марсело Э. Бигаль, компания MerckDiana Larina
 
Mr. Pepper Marketing Presentation
Mr. Pepper Marketing PresentationMr. Pepper Marketing Presentation
Mr. Pepper Marketing PresentationMr Pepper Marketing
 
Форум IPhEB - Кононова C.В. Влияние научно-исследовательской деятельности с...
Форум IPhEB - Кононова C.В.   Влияние научно-исследовательской деятельности с...Форум IPhEB - Кононова C.В.   Влияние научно-исследовательской деятельности с...
Форум IPhEB - Кононова C.В. Влияние научно-исследовательской деятельности с...Diana Larina
 
Slaid ppt g improvisasi
Slaid ppt g    improvisasiSlaid ppt g    improvisasi
Slaid ppt g improvisasiTie Roland
 

Viewers also liked (6)

Wellness
WellnessWellness
Wellness
 
Форум IPhEB - Иващенко А.А., председатель Совета директоров ЦВТ «ХимРар»
Форум IPhEB - Иващенко А.А., председатель Совета директоров ЦВТ «ХимРар»Форум IPhEB - Иващенко А.А., председатель Совета директоров ЦВТ «ХимРар»
Форум IPhEB - Иващенко А.А., председатель Совета директоров ЦВТ «ХимРар»
 
Форум IPhEB - Марсело Э. Бигаль, компания Merck
Форум IPhEB - Марсело Э. Бигаль, компания MerckФорум IPhEB - Марсело Э. Бигаль, компания Merck
Форум IPhEB - Марсело Э. Бигаль, компания Merck
 
Mr. Pepper Marketing Presentation
Mr. Pepper Marketing PresentationMr. Pepper Marketing Presentation
Mr. Pepper Marketing Presentation
 
Форум IPhEB - Кононова C.В. Влияние научно-исследовательской деятельности с...
Форум IPhEB - Кононова C.В.   Влияние научно-исследовательской деятельности с...Форум IPhEB - Кононова C.В.   Влияние научно-исследовательской деятельности с...
Форум IPhEB - Кононова C.В. Влияние научно-исследовательской деятельности с...
 
Slaid ppt g improvisasi
Slaid ppt g    improvisasiSlaid ppt g    improvisasi
Slaid ppt g improvisasi
 

Similar to M1 gp_Disco

充足可能性問題のいろいろ
充足可能性問題のいろいろ充足可能性問題のいろいろ
充足可能性問題のいろいろHiroshi Yamashita
 
文献紹介:TSM: Temporal Shift Module for Efficient Video Understanding
文献紹介:TSM: Temporal Shift Module for Efficient Video Understanding文献紹介:TSM: Temporal Shift Module for Efficient Video Understanding
文献紹介:TSM: Temporal Shift Module for Efficient Video UnderstandingToru Tamaki
 
詳解 ディープラーニング輪読&勉強会 3章後半ニューラルネットワーク
詳解 ディープラーニング輪読&勉強会 3章後半ニューラルネットワーク詳解 ディープラーニング輪読&勉強会 3章後半ニューラルネットワーク
詳解 ディープラーニング輪読&勉強会 3章後半ニューラルネットワークisaac-otao
 
CUDA1日(?)体験会 (再アップロード)
CUDA1日(?)体験会 (再アップロード)CUDA1日(?)体験会 (再アップロード)
CUDA1日(?)体験会 (再アップロード)RinKuriyama
 
高速な倍精度指数関数expの実装
高速な倍精度指数関数expの実装高速な倍精度指数関数expの実装
高速な倍精度指数関数expの実装MITSUNARI Shigeo
 
Long short-term memory (LSTM)
Long short-term memory (LSTM)Long short-term memory (LSTM)
Long short-term memory (LSTM)Kenta Ishii
 
[DL Hacks] Deterministic Variational Inference for RobustBayesian Neural Netw...
[DL Hacks] Deterministic Variational Inference for RobustBayesian Neural Netw...[DL Hacks] Deterministic Variational Inference for RobustBayesian Neural Netw...
[DL Hacks] Deterministic Variational Inference for RobustBayesian Neural Netw...Deep Learning JP
 
LCCC2010:Learning on Cores, Clusters and Cloudsの解説
LCCC2010:Learning on Cores,  Clusters and Cloudsの解説LCCC2010:Learning on Cores,  Clusters and Cloudsの解説
LCCC2010:Learning on Cores, Clusters and Cloudsの解説Preferred Networks
 
how-calculate-cluster-coefficience
how-calculate-cluster-coefficiencehow-calculate-cluster-coefficience
how-calculate-cluster-coefficienceNorihiro Shimoda
 
[DL輪読会]Pervasive Attention: 2D Convolutional Neural Networks for Sequence-to-...
[DL輪読会]Pervasive Attention: 2D Convolutional Neural Networks for Sequence-to-...[DL輪読会]Pervasive Attention: 2D Convolutional Neural Networks for Sequence-to-...
[DL輪読会]Pervasive Attention: 2D Convolutional Neural Networks for Sequence-to-...Deep Learning JP
 
Deep learning実装の基礎と実践
Deep learning実装の基礎と実践Deep learning実装の基礎と実践
Deep learning実装の基礎と実践Seiya Tokui
 
プログラミングコンテストでのデータ構造
プログラミングコンテストでのデータ構造プログラミングコンテストでのデータ構造
プログラミングコンテストでのデータ構造Takuya Akiba
 
カステラ本勉強会 第三回
カステラ本勉強会 第三回カステラ本勉強会 第三回
カステラ本勉強会 第三回ke beck
 
20181214 clebsch gordan_mizuta
20181214 clebsch gordan_mizuta20181214 clebsch gordan_mizuta
20181214 clebsch gordan_mizutaRei Mizuta
 

Similar to M1 gp_Disco (20)

充足可能性問題のいろいろ
充足可能性問題のいろいろ充足可能性問題のいろいろ
充足可能性問題のいろいろ
 
optimal Ate pairing
optimal Ate pairingoptimal Ate pairing
optimal Ate pairing
 
KDD2014 勉強会
KDD2014 勉強会KDD2014 勉強会
KDD2014 勉強会
 
文献紹介:TSM: Temporal Shift Module for Efficient Video Understanding
文献紹介:TSM: Temporal Shift Module for Efficient Video Understanding文献紹介:TSM: Temporal Shift Module for Efficient Video Understanding
文献紹介:TSM: Temporal Shift Module for Efficient Video Understanding
 
More modern gpu
More modern gpuMore modern gpu
More modern gpu
 
詳解 ディープラーニング輪読&勉強会 3章後半ニューラルネットワーク
詳解 ディープラーニング輪読&勉強会 3章後半ニューラルネットワーク詳解 ディープラーニング輪読&勉強会 3章後半ニューラルネットワーク
詳解 ディープラーニング輪読&勉強会 3章後半ニューラルネットワーク
 
CUDA1日(?)体験会 (再アップロード)
CUDA1日(?)体験会 (再アップロード)CUDA1日(?)体験会 (再アップロード)
CUDA1日(?)体験会 (再アップロード)
 
高速な倍精度指数関数expの実装
高速な倍精度指数関数expの実装高速な倍精度指数関数expの実装
高速な倍精度指数関数expの実装
 
Rで学ぶロバスト推定
Rで学ぶロバスト推定Rで学ぶロバスト推定
Rで学ぶロバスト推定
 
PRML10-draft1002
PRML10-draft1002PRML10-draft1002
PRML10-draft1002
 
Long short-term memory (LSTM)
Long short-term memory (LSTM)Long short-term memory (LSTM)
Long short-term memory (LSTM)
 
[DL Hacks] Deterministic Variational Inference for RobustBayesian Neural Netw...
[DL Hacks] Deterministic Variational Inference for RobustBayesian Neural Netw...[DL Hacks] Deterministic Variational Inference for RobustBayesian Neural Netw...
[DL Hacks] Deterministic Variational Inference for RobustBayesian Neural Netw...
 
数理解析道場
数理解析道場数理解析道場
数理解析道場
 
LCCC2010:Learning on Cores, Clusters and Cloudsの解説
LCCC2010:Learning on Cores,  Clusters and Cloudsの解説LCCC2010:Learning on Cores,  Clusters and Cloudsの解説
LCCC2010:Learning on Cores, Clusters and Cloudsの解説
 
how-calculate-cluster-coefficience
how-calculate-cluster-coefficiencehow-calculate-cluster-coefficience
how-calculate-cluster-coefficience
 
[DL輪読会]Pervasive Attention: 2D Convolutional Neural Networks for Sequence-to-...
[DL輪読会]Pervasive Attention: 2D Convolutional Neural Networks for Sequence-to-...[DL輪読会]Pervasive Attention: 2D Convolutional Neural Networks for Sequence-to-...
[DL輪読会]Pervasive Attention: 2D Convolutional Neural Networks for Sequence-to-...
 
Deep learning実装の基礎と実践
Deep learning実装の基礎と実践Deep learning実装の基礎と実践
Deep learning実装の基礎と実践
 
プログラミングコンテストでのデータ構造
プログラミングコンテストでのデータ構造プログラミングコンテストでのデータ構造
プログラミングコンテストでのデータ構造
 
カステラ本勉強会 第三回
カステラ本勉強会 第三回カステラ本勉強会 第三回
カステラ本勉強会 第三回
 
20181214 clebsch gordan_mizuta
20181214 clebsch gordan_mizuta20181214 clebsch gordan_mizuta
20181214 clebsch gordan_mizuta
 

Recently uploaded

モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察 ~Text-to-MusicとText-To-ImageかつImage-to-Music...
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察  ~Text-to-MusicとText-To-ImageかつImage-to-Music...モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察  ~Text-to-MusicとText-To-ImageかつImage-to-Music...
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察 ~Text-to-MusicとText-To-ImageかつImage-to-Music...博三 太田
 
SOPを理解する 2024/04/19 の勉強会で発表されたものです
SOPを理解する       2024/04/19 の勉強会で発表されたものですSOPを理解する       2024/04/19 の勉強会で発表されたものです
SOPを理解する 2024/04/19 の勉強会で発表されたものですiPride Co., Ltd.
 
論文紹介:Semantic segmentation using Vision Transformers: A survey
論文紹介:Semantic segmentation using Vision Transformers: A survey論文紹介:Semantic segmentation using Vision Transformers: A survey
論文紹介:Semantic segmentation using Vision Transformers: A surveyToru Tamaki
 
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)Hiroki Ichikura
 
TataPixel: 畳の異方性を利用した切り替え可能なディスプレイの提案
TataPixel: 畳の異方性を利用した切り替え可能なディスプレイの提案TataPixel: 畳の異方性を利用した切り替え可能なディスプレイの提案
TataPixel: 畳の異方性を利用した切り替え可能なディスプレイの提案sugiuralab
 
論文紹介:Automated Classification of Model Errors on ImageNet
論文紹介:Automated Classification of Model Errors on ImageNet論文紹介:Automated Classification of Model Errors on ImageNet
論文紹介:Automated Classification of Model Errors on ImageNetToru Tamaki
 
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)UEHARA, Tetsutaro
 
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdfクラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdfFumieNakayama
 
Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介
Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介
Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介Yuma Ohgami
 
論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...
論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...
論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...Toru Tamaki
 
TSAL operation mechanism and circuit diagram.pdf
TSAL operation mechanism and circuit diagram.pdfTSAL operation mechanism and circuit diagram.pdf
TSAL operation mechanism and circuit diagram.pdftaisei2219
 
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdfAWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdfFumieNakayama
 

Recently uploaded (12)

モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察 ~Text-to-MusicとText-To-ImageかつImage-to-Music...
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察  ~Text-to-MusicとText-To-ImageかつImage-to-Music...モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察  ~Text-to-MusicとText-To-ImageかつImage-to-Music...
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察 ~Text-to-MusicとText-To-ImageかつImage-to-Music...
 
SOPを理解する 2024/04/19 の勉強会で発表されたものです
SOPを理解する       2024/04/19 の勉強会で発表されたものですSOPを理解する       2024/04/19 の勉強会で発表されたものです
SOPを理解する 2024/04/19 の勉強会で発表されたものです
 
論文紹介:Semantic segmentation using Vision Transformers: A survey
論文紹介:Semantic segmentation using Vision Transformers: A survey論文紹介:Semantic segmentation using Vision Transformers: A survey
論文紹介:Semantic segmentation using Vision Transformers: A survey
 
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)
 
TataPixel: 畳の異方性を利用した切り替え可能なディスプレイの提案
TataPixel: 畳の異方性を利用した切り替え可能なディスプレイの提案TataPixel: 畳の異方性を利用した切り替え可能なディスプレイの提案
TataPixel: 畳の異方性を利用した切り替え可能なディスプレイの提案
 
論文紹介:Automated Classification of Model Errors on ImageNet
論文紹介:Automated Classification of Model Errors on ImageNet論文紹介:Automated Classification of Model Errors on ImageNet
論文紹介:Automated Classification of Model Errors on ImageNet
 
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
 
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdfクラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
 
Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介
Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介
Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介
 
論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...
論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...
論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...
 
TSAL operation mechanism and circuit diagram.pdf
TSAL operation mechanism and circuit diagram.pdfTSAL operation mechanism and circuit diagram.pdf
TSAL operation mechanism and circuit diagram.pdf
 
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdfAWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
 

M1 gp_Disco

Editor's Notes

  1. 一般的に通信は時間に区切って行われる.区切られた時間をスロットと呼ぶ.
  2. 目的の理由を簡単に口頭で説明.
  3. タイマは同期されていないことに言及する. 「こんな簡単で大丈夫か?」と思わせる.
  4. 「素数の代わりに」互いに素な数を選ぶことができれば,という形で持って行く.前ページは素数で説明しているので.
  5. Asynchronous neighbor discovery の関連研究