SlideShare a Scribd company logo
Higashino Lab. 
多数のセンサーによる 
時空間センシングデータの 
効率的な集約送信技術 
宵憲治 
*1, 山口弘純 
*2,廣森聡仁 
*2 ,内山彰 
*2 ,東野輝夫 
*2 
柳谷尚寿 
*3 ,中谷俊和 
*3 
立花篤男 
*4,長谷川輝之 
*4 
*1 
奈良先端科学技術大学院大学情報科学研究科 
*2 
大阪大学大学院情報科学研究科 
*3 KDDI 株式会社ソリューション推進本部 
*4 
株式会社KDDI 研究所 
2014/07/10 DICOMO2014 1
. 
Higashino Lab. 
研究背景 
 多種多様なセンサーによるリアルタイムセンシング 
におけるセンサデータ集約 
 大容量のセンサデータ 
 計測時間等のメタデータを持つ(XML等) 
 多数のセンサーから数秒毎に発生 
 多種多様なセンサーが混在 
 Gateway性能や回線の制限 
 Gatewayのバッファリング容量等 
 回線が限定された地域(3Gしか使えない等) 
Gatewayへ 
Gateway 
送信 
データセンター 
GW制限,通信制限に応じたデータ圧縮率制御が可能で 
多種多数のセンサー混在環境に対応したデータ集約圧縮方 
式 
2014/10/3 DICOMO2014 2
- 
Higashino Lab. 
研究目的 
 多種多様なセンサーが混在する環境で出来るだけ 
送信コストを減らせるような集約圧縮方式の実現 
 XMLタグ等データの余分なところを切り落とし,更に実 
データ部分も削減したい 
 月々の通信量が決められているような制限がある環境等 
にも対応できる 
 M2Mに容易に組み込める圧縮転送モジュール 
 シンプルで柔軟性の高い方式 
2014/07/10 DICOMO2014 3
- 
Higashino Lab. 
研究概要 
 家庭やオフィス等に設置した多種多様なセンサーか 
ら得られるデータの集約・圧縮技術の検討 
 温度・湿度・CO2濃度・電力センサーを使用 
 提案手法 
1) 多種デバイス混在状況における小規模パケット集約方式 
 個々のデータが持っているメタデータをデータブロック毎に集約 
することによるメタデータ情報量を削減 
2) 集約データの時空間圧縮転送方式 
 圧縮センシング定理により,環境に合わせた圧縮率で実データ 
の圧縮・復元 
これらの方式を利用した 
センサデータ収集システムの開発 
2014/07/10 DICOMO2014 
4
Higashino Lab. 
研究グループで開発した 
センサデータ収集システム概要 
店舗/オフィス/家庭等 
センサデータ
集約圧縮
Gate Way 
ネットワーク 
3G 
LTE 
WiMAX 
Wi-Fi 
Others 
データセンター 
データ復元
全データ集約 
サーバー 
温湿度センサー 
電⼒センサー等 
:データ圧縮・復元・ブロック転送機能 
:リンクアグリゲーション(LA)機能(KDDI研究所) 
可視化サーバー等 
2014/07/10 DICOMO2014 5
- 
Higashino Lab. 
(1)多種デバイス混在環境における小規模 
パケット集約方式 
 センサーIDと,メタデータ要素からなる多次元マトリ 
クスに値丸めをしてパッキング 
センサーID付与
1111 2 3 4 
計測時刻 
8:01:05 8:00:59 8:01:00 8:00:55 
8:01:35 8:01:29 8:01:30 8:01:25 
8:02:05 8:01:59 8:02:00 8:01:55 
8:02:35 8:02:29 8:02:30 8:02:25 
8:03:05 8:02:59 8:03:00 8:02:55 
センサーID 
計測時間1 2 3 4 
8:01:00 250 260 250 265 
8:01:30 250 260 252 260 
8:02:00 248 257 250 260 
8:02:30 250 257 250 260 
8:03:00 250 258 248 260 
メタデータ要素
(ここでは計測時間) 
値丸め整列
2014/07/10 DICOMO2014 
6 
センサーデータ(XML)
Higashino Lab. 
(1)多種デバイス混在環境における小規模 
パケット集約方式 
 多次元マトリクスから空間的,時間的類似性等,環 
境に合わせて適応的にデータブロックを決定 
 空間的類似性:同部屋に設置したセンサーの値の類似等 
 時間的類似性:単一センサーの時間的変化の類似 
時間的類似性の高いデータブロック例(温度データ13時-16時) 
類似値が多い 
2014/07/10 DICOMO2014 7
- 
Higashino Lab. 
(1)多種デバイス混在環境における小規模 
パケット集約方式 
 データブロック内のメタデータが共通する行を纏めて 
付与することでメタデータ量を削減,効率化 
a. センサID存在bit(行に対する列データの存在) 
b. 開始行の計測時刻(行のメタデータ) 
c. 計測インターバル(行メタデータの間隔) 
d. 計測インターバル継続回数(行数) 
センサーID 
b. 080100 
計測時間1 2 3 4 
8:01:00 250 260 250 265 
8:01:30 250 260 252 260 
8:02:00 248 257 250 260 
8:02:30 250 257 250 260 
8:03:00 250 N/A 248 N/A 
a. 1111((((各列にデータが存在)))) 
c. 30 
d. 4 
a. 1010(1, 3 にデータが存在)))) 
2014/07/10 DICOMO2014 
8
- 
Higashino Lab. 
(2)集約データの時空間圧縮転送方式 
 圧縮センシングを利用 
 データ列のスパース性(零要素が多い性質)を利用し,圧 
縮,復元を行う手法 
 データブロック内データの最頻値を0とした差分値を取るこ 
とによりスパースなデータ列を生成し,環境に合った圧縮 
率でデータ数の圧縮・復元を行う.(圧縮率と誤復元率はト 
レードオフ) 
スパース原信号ベクトル
0,1,0,0,0,1,0,0,-2,0, 
-2,2,0,0,1,0,0,2,-2,0 
センサーID 
計測時間1 2 3 4 
8:01:00 250 251 250 250 
8:01:30 250 251 250 250 
8:02:00 248 250 248 252 
8:02:30 250 250 251 250 
8:03:00 250 252 248 250 
2014/07/10 DICOMO2014 
9
(2)集約データの時空間圧縮転送方式 
- 
Higashino Lab. 
 データブロックをスパースになるように選ぶことで圧 
縮センシングに適したデータ列を得る 
 実証実験では時間的類似に基づいてデータブロック構築 
→最頻値を0とすると全データの零要素率60%-70%程度 
実証実験(センサー数200)での全多次元マトリクス例 
ID 1 2 3 4 5 6 ・・・199998888 199999999 200000000 
8:01:00 250 250 251 253 253 253 ・・・250 250 251 
8:01:30 250 250 251 253 253 254 ・・・250 250 251 
時間的類似
8:02:00 251 249 251 253 253 254 ・・・251 249 251 
8:02:30 251 250 250 253 253 255 ・・・251 250 251 
8:03:00 251 250 250 253 253 253 ・・・251 250 251 
空間的類似
8:03:30 251 250 250 253 253 255 ・・・251 250 251 
2014/07/10 DICOMO2014 
10
Higashino Lab. 
実証実験 
 豊田市の実在する50施設(スマートハウス,公民館, 
店舗等)に各センサー(温湿度,CO2,電力)計200台 
とゲートウェイを設置し,システムの実証実験を行っ 
た. 
(2014年3月) 
設置拠点例(スマートハウス) ゲートウェイの設置状況 
2014/07/10 DICOMO2014 11
計測インターバル30秒毎
送信インターバル5分毎 
計測期間2日間(XMLデータ約100MB) 
センサ設置数温湿度CO2センサ計201台 
- 
Higashino Lab. 
実証実験による性能評価 
 実験環境 
 評価パラメータ 
データブロック要素数((((N) 24 (ID.1×time.24) 
データ個数圧縮率(M/N) 0.9, 0.8, 0.7, 0.6, 0.5, 0.4 
 評価メトリクス 
 小規模パケット集約によるメタデータ削減率
 圧縮センシングによる計測データ圧縮率
 圧縮センシングの計測データ完全復元率(原データと復元データの完 
全一致割合) 
2014/07/10 DICOMO2014 
12 
圧縮率0.8なら 
要素数を24→19に圧縮
- 
Higashino Lab. 
性能評価(メタデータ削減率) 
 小規模パケット集約方式によるメタデータ量の削減 
を行った結果 
 小規模パケット集約方式のメタデータ集約により 
約50%(8.3MB→4MB)のデータ量を削減 
 集約後のデータ量は元XMLデータの4%程度 
データの状態データ容量
元XMLデータ100MB 
多次元マトリクス構築後8.3MB 
メタデータ集約後4MB 
2014/07/10 DICOMO2014 13
- 
Higashino Lab. 
性能評価(圧縮センシング) 
 メタデータ削減後の2MBのデータに対して圧縮セン 
シングによる圧縮を行った時の結果 
圧縮率に対するデータ削減率
79.8% 
75.6% 
71.2% 
66.6% 
62.0% 61.1% 
0.9 0.8 0.7 0.6 0.5 0.4 
95%以上の復元率 
約40%まで圧縮率を変化可能 
圧縮率に対する完全復元率
96.7% 
96.4% 96.0% 95.8% 
95.5% 
0.9 0.8 0.7 0.6 0.5 0.4 
メタデータ削減と合わせると 
最大で約70%程度を削減 
100.0% 
90.0% 
80.0% 
70.0% 
60.0% 
50.0% 
95.5% 
100.0% 
99.0% 
98.0% 
97.0% 
96.0% 
95.0% 
94.0% 
93.0% 
2014/07/10 DICOMO2014 14
- 
Higashino Lab. 
まとめと今後の課題 
 まとめ 
 小規模パケット集約方式と圧縮転送方式によるセンシン 
グデータの集約圧縮の開発 
 両方式による集約圧縮で最大約70%程度のデータ量を削減 
 実在する複数の施設で実証実験を展開し本手法が実用 
上十分な結果が得られていることを確認 
 今後の課題 
 回線切断・回復といった状況の発生時における性能評価 
 より柔軟性の高い方式への拡張(類似性の高いデータブ 
ロックの自動検出等) 
2014/07/10 DICOMO2014 15
各拠点 
温湿度データCO2データ電力量データ
センシングデータ
集約・圧縮モジュール
- 
Higashino Lab. 
機能モジュールと技術 
センシングデータ
復元モジュール
(2) 集約データの時空間
データセンター 
圧縮転送方式
温湿度/CO2可視化サーバ電力量可視化サーバ
スマートエコワットEcoアプリ
(Webサービス)))) 
おんどとりwebストレージ
(Webサービス)))) 
(1) 多種デバイス混在環境におけ
る小規模パケット集約方式 
(3) データ復元
と可視化
阪大開発
可視化ソフトウェア
2014/07/10 DICOMO2014 
16
- 
Higashino Lab. 
研究背景:センサデータ集約蓄積 
HEMS 
BEMS 
行動トラッキング
((公共空間,,,,老人施設)))) 
(1) 多種多数のセンサーからの個々の小デー 
タがXMLに埋込まれ,時々刻々と送信される 
(2) データを拠点ごとにデータ集約する 
GateWayはバッファリング容量や処理性能も 
限定される(e.g. 通信断時のバッファあふれ) 
小規模異種センサーデータ 
を適応的にリアルタイム集約 
圧縮する技術が望まれる 
2014/07/10 DICOMO2014 
17
Higashino Lab. 
1 
5 
9 
2014年3月24日 
13 
17 
21 
25 
33 
29 
300 
250 
200 
150 
100 
50 
0 
32400 
32520 
32640 
32760 
32880 
33000 
33120 
33240 
33360 
33480 
33600 
33720 
33840 
33960 
34080 
34200 
34320 
34440 
34560 
34680 
34800 
34920 
35040 
35160 
35280 
35400 
35520 
35640 
35760 
35880 
2014/07/10 18 
1 
3 
5 
7 
9 
11 
13 
15 
17 
19 
21 
23 
25 
27 
29 
31 
33 
℃×11110000 
秒((((9:00:00-10:00:00) 
拠点センサーID 
実証実験における 
時空間データ(温度) 
DICOMO2014
設置地点空調が効いた室内
計測インターバル30秒毎 
送信インターバル1分毎 
データ蓄積期間3日間(XMLデータ約10MB) 
センサ設置数温湿度センサー1台 
- 
Higashino Lab. 
評価実験 
 実験環境 
 評価パラメータ 
時空間ブロック要素数((((N) 12,15,20,30 
実データ個数圧縮率(M/N) 0.9, 0.8, 0.7, 0.6, 0.5 
 評価メトリクス 
 小規模パケット集約によるメタデータ削減率
 圧縮センシングによる計測データ圧縮率
 圧縮センシングの計測データ完全復元率(原データと復元データの完 
全一致割合) 
2014/07/10 DICOMO2014 
19
- 
Higashino Lab. 
圧縮センシングの原理 
 原信号ベクトルx0のデータ数(次元数)をN 
 圧縮後のベクトルのデータ数(次元数)をM(MN) 
 M×Nの圧縮行列をA (圧縮,復元両側で既知)(ランダム行列を用いる) 
 原信号ベクトルの非零要素数をK (K-スパース) (復元時に使用) 
圧縮:圧縮行列との積復元:L1再構成[1] 
復元M→N 
M×N行列A x 0 
圧縮N→M 
M  M ×N行列A x0 
転送 
ゲートウェイ側データセンター側 
[1]圧縮センシング-疎情報の再構成とそのアルゴリズム- : 
http://www.kurims.kyoto-u.ac.jp/~kyodo/kokyuroku/contents/pdf/1803-03.pdfa 
N 
2014/07/10 DICOMO2014 20
- 
Higashino Lab. 
(3)データ復元-L1再構成- 
 原信号要素数N=3 圧縮後ベクトル要素数M=2 
非零要素数K=2(零要素の数が1個) 
 L1-ノルム(3次元正八面体) 
 既知の2×3圧縮行列Aと圧縮ベクトルyを用いた直線式 
→3変数2方程式 
y = Ax→ 
y1 
y2 
 
 
 
+ x3 
零要素数2(頂点) 
x = x1 
+ x2 
零要素数1(辺) 
L1-ノルム 
 
 
 
= 
a1 
a2 
b1 
b2 
c1 
c2 
 
 
 
既知値 
 
 
 
 
 
x1 
x2 
x3 
 
 
 
 
y = Ax 
未知値 
2014/07/10 DICOMO2014 21
剠ע 
Higashino Lab. 
(3)データ復元-L1再構成- 
 L1-ノルム(正八面体)を大きくしていき,直線と接し 
た点が推定値 
推定値 
x = x1 
+ x2 
+ x3 
y = Ax 
2014/07/10 DICOMO2014 22
- 
Higashino Lab. 
(3)データ復元-L1再構成- 
 線形制約y=AxのもとでL1ノルムを最小化することに 
より原信号x0を推定する手法 
 0要素の個数が分かっているベクトルの推定には正しい結果を得やす 
い 
 L1ノルム:原信号の各要素絶対値の和 
 L1ノルム最小化問題を解くことで復元 
x = argmin 
x 
x subject.to y = Ax 
 実装時は補助関数t=(t1,…,tN)T 
を導入し 
線形計画問題として定式化 
N Σ subj.to − t ≤ x ≤ t, y = Ax 
min ti 
i=1 
2014/07/10 DICOMO2014 
23
各Nの値に対するメタデータ情報量削減後のデータ容量(KB) 
- 
Higashino Lab. 
評価結果(メタデータ削減率) 
 データマトリクスを構築後のデータに対して時空間ブ 
ロックによる集約を行った結果 
(KB) 
(Nの値) 
25 
65% 
16.3 
56% 
14.1 
50% 
12.4 
44% 
10.9 
25 
20 
15 
10 
5 
0 
0 12 15 20 30 
2014/07/10 DICOMO2014 24
85.0% 
80.0% 
- 
75.0% 
Higashino Lab. 
評価結果(圧縮センシング) 
 N=12の時,メタデータ削減後の16.3KBのデータに 
対して圧縮センシングによる圧縮を行った時の結果 
復元率
0.9 0.8 0.7 0.6 0.5 
90-95%程度の復元率 
約50%まで圧縮率を変化可能 
70.0% 
65.0% 
60.0% 
圧縮率
0.9 0.8 0.7 0.6 0.5 
96.0% 
94.0% 
92.0% 
90.0% 
88.0% 
(M/N) (M/N) 
メタデータ削減と合わせると 
最大で約65%程度を削減 
2014/07/10 DICOMO2014 25
原信号と一致しないデータ(圧縮率50%時に全体の 
5%程度)の誤差は極めて限定的(全て1以下) 
原信号に対する復元信号の誤差 
(温度データ0.1℃区切) 
ᾠ ׭ 
Higashino Lab. 
復元不一致要素の誤差 
(℃) 
1 
0.8 
0.6 
0.4 
0.2 
0 
-0.2 
-0.4 
-0.6 
-0.8 
-1 
原信号との差 
2014/07/10 DICOMO2014 
26
- 
Higashino Lab. 
実証実験結果 
 実証実験を行った29拠点201センサー(温度,湿度 
CO2濃度)の1時間(3月25日午前9時台)のデータに 
対し同様の評価を行った 
 単拠点での評価と計測データ,完全圧縮率,復元時 
誤差は概ね一致しており,十分な結果が得られてい 
る. 
メタデータ削減率((((ただ
しXML削減率も含む)))) 
計測データ
圧縮率
完全復元率復元時
誤差
圧縮 
効率 
0.26MB/1.53MB 
(16.9%) 
32KB/43KB 
(74%) 
9616/10212 
(94.1%) 
0.12 
2014/07/10 DICOMO2014 
27
走ؒ 
Higashino Lab. 
実証実験結果 
 ある1拠点での6日間(3/15~21)の温湿度センサー 
データに対し,下記を測定 
 小規模パケット集約によるメタデータ削減率 
 圧縮センシングによる計測データ圧縮率 
 圧縮データの(完全)復元率 
 不完全復元時の誤差 
メタデータ削減率((((ただ
しXML削減率も含む)))) 
計測データ
圧縮率
完全復元率復元時
誤差
圧縮 
効率 
0.49MB/11.58MB 
(4.2%) 
108KB/150KB 
(72%) 
34940/39639 
(88.1%) 
0.12 
2014/07/10 DICOMO2014 
28
갠 ؖ 
Higashino Lab. 
参考1:L1再構成の計算量 
 圧縮センシング問題(原信号の推測方法)をL1再構 
成に基いて解くと,最適化問題であるので凸線形計 
画問題として解くことができる. 
 圧縮時は行列と原信号の積をとるのみなので,計算量は 
少ない 
 復元時の計算量は一般的に数式を入力します。O(N3)に 
なることが知られている(より少ない計算量で再構成でき 
るアルゴリズムも現在研究されている) 
http://www.kurims.kyoto-u. 
ac.jp/~kyodo/kokyuroku/contents/pdf/1803-03.pdf 
2014/07/10 DICOMO2014 29
圧縮行列A が,kスパースベクトルx に対してAx = 0 となっ 
てしまうとL1再構成が機能しない.しかしkに対し下記の不等 
が任意のxについて成り立つような最小のδをδkとし, 
൰ 
Higashino Lab. 
L1再構成における 
可逆圧縮時の圧縮率上限 
式 
が成り立つようなKが存在すれば,L1再構成は正しい推定結 
果を与えることが知られている(等長性定理) 
 つまり,x に対しAx の大きさのずれが一定以下である圧縮 
行列Aを選べばL1再構成が成功する 
 ここでランダム行列が各要素が平均0,分散1/M の正規分布 
に従うとき,高い確率で等長性定理が成り立つことが知られ 
ている(CandesとTaoの定理) 
2014/07/10 DICOMO2014 
30
蓠ؖ 
Higashino Lab. 
L1再構成における 
可逆圧縮時の圧縮率上限 
 提案手法ではxの次元数が一意でないため,最大の 
ランダム行列を先述の方針にしたがって定め,その 
任意の部分行列もなるべくランダム行列に従うよう 
にしておく.xの次元数にあわせてランダム行列から 
圧縮行列Aを抽出することでランダム性を担保する 
2014/07/10 DICOMO2014 31

More Related Content

What's hot

動作認識の最前線:手法,タスク,データセット
動作認識の最前線:手法,タスク,データセット動作認識の最前線:手法,タスク,データセット
動作認識の最前線:手法,タスク,データセット
Toru Tamaki
 
画像認識モデルを作るための鉄板レシピ
画像認識モデルを作るための鉄板レシピ画像認識モデルを作るための鉄板レシピ
画像認識モデルを作るための鉄板レシピ
Takahiro Kubo
 
[DL輪読会]A closer look at few shot classification
[DL輪読会]A closer look at few shot classification[DL輪読会]A closer look at few shot classification
[DL輪読会]A closer look at few shot classification
Deep Learning JP
 
研究効率化Tips Ver.2
研究効率化Tips Ver.2研究効率化Tips Ver.2
研究効率化Tips Ver.2
cvpaper. challenge
 
Introduction to YOLO detection model
Introduction to YOLO detection modelIntroduction to YOLO detection model
Introduction to YOLO detection model
WEBFARMER. ltd.
 
【DL輪読会】StyleCLIP: Text-Driven Manipulation of StyleGAN Imagery
【DL輪読会】StyleCLIP: Text-Driven Manipulation of StyleGAN Imagery【DL輪読会】StyleCLIP: Text-Driven Manipulation of StyleGAN Imagery
【DL輪読会】StyleCLIP: Text-Driven Manipulation of StyleGAN Imagery
Deep Learning JP
 
複数台のKinectV2の使い方
複数台のKinectV2の使い方複数台のKinectV2の使い方
複数台のKinectV2の使い方
Norishige Fukushima
 
変分推論法(変分ベイズ法)(PRML第10章)
変分推論法(変分ベイズ法)(PRML第10章)変分推論法(変分ベイズ法)(PRML第10章)
変分推論法(変分ベイズ法)(PRML第10章)
Takao Yamanaka
 
[DL Hacks]Semantic Instance Segmentation with a Discriminative Loss Function
[DL Hacks]Semantic Instance Segmentation with a Discriminative Loss Function[DL Hacks]Semantic Instance Segmentation with a Discriminative Loss Function
[DL Hacks]Semantic Instance Segmentation with a Discriminative Loss Function
Deep Learning JP
 
機械学習のためのベイズ最適化入門
機械学習のためのベイズ最適化入門機械学習のためのベイズ最適化入門
機械学習のためのベイズ最適化入門
hoxo_m
 
遺伝的アルゴリズム (Genetic Algorithm)を始めよう!
遺伝的アルゴリズム(Genetic Algorithm)を始めよう!遺伝的アルゴリズム(Genetic Algorithm)を始めよう!
遺伝的アルゴリズム (Genetic Algorithm)を始めよう!
Kazuhide Okamura
 
基礎からのベイズ統計学第5章
基礎からのベイズ統計学第5章基礎からのベイズ統計学第5章
基礎からのベイズ統計学第5章
hiro5585
 
ラスタ図形詰込み問題に対する局所探索法の特徴点抽出を用いた効率化
ラスタ図形詰込み問題に対する局所探索法の特徴点抽出を用いた効率化ラスタ図形詰込み問題に対する局所探索法の特徴点抽出を用いた効率化
ラスタ図形詰込み問題に対する局所探索法の特徴点抽出を用いた効率化
Shunji Umetani
 
劣モジュラ最適化と機械学習1章
劣モジュラ最適化と機械学習1章劣モジュラ最適化と機械学習1章
劣モジュラ最適化と機械学習1章
Hakky St
 
最適輸送の解き方
最適輸送の解き方最適輸送の解き方
最適輸送の解き方
joisino
 
強化学習の基礎と深層強化学習(東京大学 松尾研究室 深層強化学習サマースクール講義資料)
強化学習の基礎と深層強化学習(東京大学 松尾研究室 深層強化学習サマースクール講義資料)強化学習の基礎と深層強化学習(東京大学 松尾研究室 深層強化学習サマースクール講義資料)
強化学習の基礎と深層強化学習(東京大学 松尾研究室 深層強化学習サマースクール講義資料)
Shota Imai
 
DNNの曖昧性に関する研究動向
DNNの曖昧性に関する研究動向DNNの曖昧性に関する研究動向
DNNの曖昧性に関する研究動向
Naoki Matsunaga
 
MLflowによる機械学習モデルのライフサイクルの管理
MLflowによる機械学習モデルのライフサイクルの管理MLflowによる機械学習モデルのライフサイクルの管理
MLflowによる機械学習モデルのライフサイクルの管理
Takeshi Yamamuro
 
画像をテキストで検索したい!(OpenAI CLIP) - VRC-LT #15
画像をテキストで検索したい!(OpenAI CLIP) - VRC-LT #15画像をテキストで検索したい!(OpenAI CLIP) - VRC-LT #15
画像をテキストで検索したい!(OpenAI CLIP) - VRC-LT #15
Shuyo Nakatani
 
モンテカルロ法と情報量
モンテカルロ法と情報量モンテカルロ法と情報量
モンテカルロ法と情報量
Shohei Miyashita
 

What's hot (20)

動作認識の最前線:手法,タスク,データセット
動作認識の最前線:手法,タスク,データセット動作認識の最前線:手法,タスク,データセット
動作認識の最前線:手法,タスク,データセット
 
画像認識モデルを作るための鉄板レシピ
画像認識モデルを作るための鉄板レシピ画像認識モデルを作るための鉄板レシピ
画像認識モデルを作るための鉄板レシピ
 
[DL輪読会]A closer look at few shot classification
[DL輪読会]A closer look at few shot classification[DL輪読会]A closer look at few shot classification
[DL輪読会]A closer look at few shot classification
 
研究効率化Tips Ver.2
研究効率化Tips Ver.2研究効率化Tips Ver.2
研究効率化Tips Ver.2
 
Introduction to YOLO detection model
Introduction to YOLO detection modelIntroduction to YOLO detection model
Introduction to YOLO detection model
 
【DL輪読会】StyleCLIP: Text-Driven Manipulation of StyleGAN Imagery
【DL輪読会】StyleCLIP: Text-Driven Manipulation of StyleGAN Imagery【DL輪読会】StyleCLIP: Text-Driven Manipulation of StyleGAN Imagery
【DL輪読会】StyleCLIP: Text-Driven Manipulation of StyleGAN Imagery
 
複数台のKinectV2の使い方
複数台のKinectV2の使い方複数台のKinectV2の使い方
複数台のKinectV2の使い方
 
変分推論法(変分ベイズ法)(PRML第10章)
変分推論法(変分ベイズ法)(PRML第10章)変分推論法(変分ベイズ法)(PRML第10章)
変分推論法(変分ベイズ法)(PRML第10章)
 
[DL Hacks]Semantic Instance Segmentation with a Discriminative Loss Function
[DL Hacks]Semantic Instance Segmentation with a Discriminative Loss Function[DL Hacks]Semantic Instance Segmentation with a Discriminative Loss Function
[DL Hacks]Semantic Instance Segmentation with a Discriminative Loss Function
 
機械学習のためのベイズ最適化入門
機械学習のためのベイズ最適化入門機械学習のためのベイズ最適化入門
機械学習のためのベイズ最適化入門
 
遺伝的アルゴリズム (Genetic Algorithm)を始めよう!
遺伝的アルゴリズム(Genetic Algorithm)を始めよう!遺伝的アルゴリズム(Genetic Algorithm)を始めよう!
遺伝的アルゴリズム (Genetic Algorithm)を始めよう!
 
基礎からのベイズ統計学第5章
基礎からのベイズ統計学第5章基礎からのベイズ統計学第5章
基礎からのベイズ統計学第5章
 
ラスタ図形詰込み問題に対する局所探索法の特徴点抽出を用いた効率化
ラスタ図形詰込み問題に対する局所探索法の特徴点抽出を用いた効率化ラスタ図形詰込み問題に対する局所探索法の特徴点抽出を用いた効率化
ラスタ図形詰込み問題に対する局所探索法の特徴点抽出を用いた効率化
 
劣モジュラ最適化と機械学習1章
劣モジュラ最適化と機械学習1章劣モジュラ最適化と機械学習1章
劣モジュラ最適化と機械学習1章
 
最適輸送の解き方
最適輸送の解き方最適輸送の解き方
最適輸送の解き方
 
強化学習の基礎と深層強化学習(東京大学 松尾研究室 深層強化学習サマースクール講義資料)
強化学習の基礎と深層強化学習(東京大学 松尾研究室 深層強化学習サマースクール講義資料)強化学習の基礎と深層強化学習(東京大学 松尾研究室 深層強化学習サマースクール講義資料)
強化学習の基礎と深層強化学習(東京大学 松尾研究室 深層強化学習サマースクール講義資料)
 
DNNの曖昧性に関する研究動向
DNNの曖昧性に関する研究動向DNNの曖昧性に関する研究動向
DNNの曖昧性に関する研究動向
 
MLflowによる機械学習モデルのライフサイクルの管理
MLflowによる機械学習モデルのライフサイクルの管理MLflowによる機械学習モデルのライフサイクルの管理
MLflowによる機械学習モデルのライフサイクルの管理
 
画像をテキストで検索したい!(OpenAI CLIP) - VRC-LT #15
画像をテキストで検索したい!(OpenAI CLIP) - VRC-LT #15画像をテキストで検索したい!(OpenAI CLIP) - VRC-LT #15
画像をテキストで検索したい!(OpenAI CLIP) - VRC-LT #15
 
モンテカルロ法と情報量
モンテカルロ法と情報量モンテカルロ法と情報量
モンテカルロ法と情報量
 

Similar to 多数のセンサーによる 時空間センシングデータの 効率的な集約送信技術

[2016-12-01] DDBJデータ解析チャレンジ報告:機械学習コンペティションのタスク設計とルール設定
[2016-12-01] DDBJデータ解析チャレンジ報告:機械学習コンペティションのタスク設計とルール設定[2016-12-01] DDBJデータ解析チャレンジ報告:機械学習コンペティションのタスク設計とルール設定
[2016-12-01] DDBJデータ解析チャレンジ報告:機械学習コンペティションのタスク設計とルール設定
Eli Kaminuma
 
DEEP LEARNING、トレーニング・インファレンスのGPUによる高速化
DEEP LEARNING、トレーニング・インファレンスのGPUによる高速化DEEP LEARNING、トレーニング・インファレンスのGPUによる高速化
DEEP LEARNING、トレーニング・インファレンスのGPUによる高速化
RCCSRENKEI
 
何を基準に選定すべきなのか!? 〜ビッグデータ×IoT×AI時代のデータベースのアーキテクチャとメカニズムの比較〜
何を基準に選定すべきなのか!? 〜ビッグデータ×IoT×AI時代のデータベースのアーキテクチャとメカニズムの比較〜何を基準に選定すべきなのか!? 〜ビッグデータ×IoT×AI時代のデータベースのアーキテクチャとメカニズムの比較〜
何を基準に選定すべきなのか!? 〜ビッグデータ×IoT×AI時代のデータベースのアーキテクチャとメカニズムの比較〜
griddb
 
文献紹介:Selective Feature Compression for Efficient Activity Recognition Inference
文献紹介:Selective Feature Compression for Efficient Activity Recognition Inference文献紹介:Selective Feature Compression for Efficient Activity Recognition Inference
文献紹介:Selective Feature Compression for Efficient Activity Recognition Inference
Toru Tamaki
 
データセンターの電力量ログをGAEで
データセンターの電力量ログをGAEでデータセンターの電力量ログをGAEで
データセンターの電力量ログをGAEで
hidemotoNakada
 
MIRU2018 tutorial
MIRU2018 tutorialMIRU2018 tutorial
MIRU2018 tutorial
Takayoshi Yamashita
 
何を基準に選定すべきなのか!? 〜ビッグデータ×IoT×AI時代のデータベースのアーキテクチャとメカニズムの比較〜
何を基準に選定すべきなのか!? 〜ビッグデータ×IoT×AI時代のデータベースのアーキテクチャとメカニズムの比較〜何を基準に選定すべきなのか!? 〜ビッグデータ×IoT×AI時代のデータベースのアーキテクチャとメカニズムの比較〜
何を基準に選定すべきなのか!? 〜ビッグデータ×IoT×AI時代のデータベースのアーキテクチャとメカニズムの比較〜
griddb
 
[db tech showcase Tokyo 2017] D35: 何を基準に選定すべきなのか!? ~ビッグデータ×IoT×AI時代のデータベースのアー...
[db tech showcase Tokyo 2017] D35: 何を基準に選定すべきなのか!? ~ビッグデータ×IoT×AI時代のデータベースのアー...[db tech showcase Tokyo 2017] D35: 何を基準に選定すべきなのか!? ~ビッグデータ×IoT×AI時代のデータベースのアー...
[db tech showcase Tokyo 2017] D35: 何を基準に選定すべきなのか!? ~ビッグデータ×IoT×AI時代のデータベースのアー...
Insight Technology, Inc.
 
CNNの構造最適化手法(第3回3D勉強会)
CNNの構造最適化手法(第3回3D勉強会)CNNの構造最適化手法(第3回3D勉強会)
CNNの構造最適化手法(第3回3D勉強会)
MasanoriSuganuma
 
データ駆動型実世界計測における最適センサ配置提示システムの開発(SIG-DeMO研究会)
データ駆動型実世界計測における最適センサ配置提示システムの開発(SIG-DeMO研究会)データ駆動型実世界計測における最適センサ配置提示システムの開発(SIG-DeMO研究会)
データ駆動型実世界計測における最適センサ配置提示システムの開発(SIG-DeMO研究会)
sugiuralab
 
ICCV 2019 論文紹介 (26 papers)
ICCV 2019 論文紹介 (26 papers)ICCV 2019 論文紹介 (26 papers)
ICCV 2019 論文紹介 (26 papers)
Hideki Okada
 
電子動力学アプリケーションの最適化2
電子動力学アプリケーションの最適化2電子動力学アプリケーションの最適化2
電子動力学アプリケーションの最適化2
RCCSRENKEI
 
Dimensionality reduction with t-SNE(Rtsne) and UMAP(uwot) using R packages.
Dimensionality reduction with t-SNE(Rtsne) and UMAP(uwot) using R packages. Dimensionality reduction with t-SNE(Rtsne) and UMAP(uwot) using R packages.
Dimensionality reduction with t-SNE(Rtsne) and UMAP(uwot) using R packages.
Satoshi Kato
 
量子アニーリングを用いたクラスタ分析 (QIT32)
量子アニーリングを用いたクラスタ分析 (QIT32)量子アニーリングを用いたクラスタ分析 (QIT32)
量子アニーリングを用いたクラスタ分析 (QIT32)
Shu Tanaka
 
文献紹介:Token Shift Transformer for Video Classification
文献紹介:Token Shift Transformer for Video Classification文献紹介:Token Shift Transformer for Video Classification
文献紹介:Token Shift Transformer for Video Classification
Toru Tamaki
 
Sigir2013 勉強会資料
Sigir2013 勉強会資料Sigir2013 勉強会資料
Sigir2013 勉強会資料
Mitsuo Yamamoto
 
Metrix team 20190524
Metrix team 20190524Metrix team 20190524
Metrix team 20190524
SQiP-WEST
 
テンソル多重線形ランクの推定法について(Estimation of Multi-linear Tensor Rank)
テンソル多重線形ランクの推定法について(Estimation of Multi-linear Tensor Rank)テンソル多重線形ランクの推定法について(Estimation of Multi-linear Tensor Rank)
テンソル多重線形ランクの推定法について(Estimation of Multi-linear Tensor Rank)
Tatsuya Yokota
 
NoSQL/SQLデュアルインターフェースを備えた IoT向けデータベースGridDB - 強化された時系列データ管理・検索機能について -
NoSQL/SQLデュアルインターフェースを備えた IoT向けデータベースGridDB - 強化された時系列データ管理・検索機能について -NoSQL/SQLデュアルインターフェースを備えた IoT向けデータベースGridDB - 強化された時系列データ管理・検索機能について -
NoSQL/SQLデュアルインターフェースを備えた IoT向けデータベースGridDB - 強化された時系列データ管理・検索機能について -
griddb
 

Similar to 多数のセンサーによる 時空間センシングデータの 効率的な集約送信技術 (20)

[2016-12-01] DDBJデータ解析チャレンジ報告:機械学習コンペティションのタスク設計とルール設定
[2016-12-01] DDBJデータ解析チャレンジ報告:機械学習コンペティションのタスク設計とルール設定[2016-12-01] DDBJデータ解析チャレンジ報告:機械学習コンペティションのタスク設計とルール設定
[2016-12-01] DDBJデータ解析チャレンジ報告:機械学習コンペティションのタスク設計とルール設定
 
DEEP LEARNING、トレーニング・インファレンスのGPUによる高速化
DEEP LEARNING、トレーニング・インファレンスのGPUによる高速化DEEP LEARNING、トレーニング・インファレンスのGPUによる高速化
DEEP LEARNING、トレーニング・インファレンスのGPUによる高速化
 
何を基準に選定すべきなのか!? 〜ビッグデータ×IoT×AI時代のデータベースのアーキテクチャとメカニズムの比較〜
何を基準に選定すべきなのか!? 〜ビッグデータ×IoT×AI時代のデータベースのアーキテクチャとメカニズムの比較〜何を基準に選定すべきなのか!? 〜ビッグデータ×IoT×AI時代のデータベースのアーキテクチャとメカニズムの比較〜
何を基準に選定すべきなのか!? 〜ビッグデータ×IoT×AI時代のデータベースのアーキテクチャとメカニズムの比較〜
 
文献紹介:Selective Feature Compression for Efficient Activity Recognition Inference
文献紹介:Selective Feature Compression for Efficient Activity Recognition Inference文献紹介:Selective Feature Compression for Efficient Activity Recognition Inference
文献紹介:Selective Feature Compression for Efficient Activity Recognition Inference
 
データセンターの電力量ログをGAEで
データセンターの電力量ログをGAEでデータセンターの電力量ログをGAEで
データセンターの電力量ログをGAEで
 
MIRU2018 tutorial
MIRU2018 tutorialMIRU2018 tutorial
MIRU2018 tutorial
 
何を基準に選定すべきなのか!? 〜ビッグデータ×IoT×AI時代のデータベースのアーキテクチャとメカニズムの比較〜
何を基準に選定すべきなのか!? 〜ビッグデータ×IoT×AI時代のデータベースのアーキテクチャとメカニズムの比較〜何を基準に選定すべきなのか!? 〜ビッグデータ×IoT×AI時代のデータベースのアーキテクチャとメカニズムの比較〜
何を基準に選定すべきなのか!? 〜ビッグデータ×IoT×AI時代のデータベースのアーキテクチャとメカニズムの比較〜
 
[db tech showcase Tokyo 2017] D35: 何を基準に選定すべきなのか!? ~ビッグデータ×IoT×AI時代のデータベースのアー...
[db tech showcase Tokyo 2017] D35: 何を基準に選定すべきなのか!? ~ビッグデータ×IoT×AI時代のデータベースのアー...[db tech showcase Tokyo 2017] D35: 何を基準に選定すべきなのか!? ~ビッグデータ×IoT×AI時代のデータベースのアー...
[db tech showcase Tokyo 2017] D35: 何を基準に選定すべきなのか!? ~ビッグデータ×IoT×AI時代のデータベースのアー...
 
CNNの構造最適化手法(第3回3D勉強会)
CNNの構造最適化手法(第3回3D勉強会)CNNの構造最適化手法(第3回3D勉強会)
CNNの構造最適化手法(第3回3D勉強会)
 
データ駆動型実世界計測における最適センサ配置提示システムの開発(SIG-DeMO研究会)
データ駆動型実世界計測における最適センサ配置提示システムの開発(SIG-DeMO研究会)データ駆動型実世界計測における最適センサ配置提示システムの開発(SIG-DeMO研究会)
データ駆動型実世界計測における最適センサ配置提示システムの開発(SIG-DeMO研究会)
 
ICCV 2019 論文紹介 (26 papers)
ICCV 2019 論文紹介 (26 papers)ICCV 2019 論文紹介 (26 papers)
ICCV 2019 論文紹介 (26 papers)
 
電子動力学アプリケーションの最適化2
電子動力学アプリケーションの最適化2電子動力学アプリケーションの最適化2
電子動力学アプリケーションの最適化2
 
CMSI計算科学技術特論A(14) 量子化学計算の大規模化1
CMSI計算科学技術特論A(14) 量子化学計算の大規模化1CMSI計算科学技術特論A(14) 量子化学計算の大規模化1
CMSI計算科学技術特論A(14) 量子化学計算の大規模化1
 
Dimensionality reduction with t-SNE(Rtsne) and UMAP(uwot) using R packages.
Dimensionality reduction with t-SNE(Rtsne) and UMAP(uwot) using R packages. Dimensionality reduction with t-SNE(Rtsne) and UMAP(uwot) using R packages.
Dimensionality reduction with t-SNE(Rtsne) and UMAP(uwot) using R packages.
 
量子アニーリングを用いたクラスタ分析 (QIT32)
量子アニーリングを用いたクラスタ分析 (QIT32)量子アニーリングを用いたクラスタ分析 (QIT32)
量子アニーリングを用いたクラスタ分析 (QIT32)
 
文献紹介:Token Shift Transformer for Video Classification
文献紹介:Token Shift Transformer for Video Classification文献紹介:Token Shift Transformer for Video Classification
文献紹介:Token Shift Transformer for Video Classification
 
Sigir2013 勉強会資料
Sigir2013 勉強会資料Sigir2013 勉強会資料
Sigir2013 勉強会資料
 
Metrix team 20190524
Metrix team 20190524Metrix team 20190524
Metrix team 20190524
 
テンソル多重線形ランクの推定法について(Estimation of Multi-linear Tensor Rank)
テンソル多重線形ランクの推定法について(Estimation of Multi-linear Tensor Rank)テンソル多重線形ランクの推定法について(Estimation of Multi-linear Tensor Rank)
テンソル多重線形ランクの推定法について(Estimation of Multi-linear Tensor Rank)
 
NoSQL/SQLデュアルインターフェースを備えた IoT向けデータベースGridDB - 強化された時系列データ管理・検索機能について -
NoSQL/SQLデュアルインターフェースを備えた IoT向けデータベースGridDB - 強化された時系列データ管理・検索機能について -NoSQL/SQLデュアルインターフェースを備えた IoT向けデータベースGridDB - 強化された時系列データ管理・検索機能について -
NoSQL/SQLデュアルインターフェースを備えた IoT向けデータベースGridDB - 強化された時系列データ管理・検索機能について -
 

More from 奈良先端大 情報科学研究科

テレコミュニケーションを支援してみよう
テレコミュニケーションを支援してみようテレコミュニケーションを支援してみよう
テレコミュニケーションを支援してみよう
奈良先端大 情報科学研究科
 
マイコンと機械学習を使って行動認識システムを作ろう
マイコンと機械学習を使って行動認識システムを作ろうマイコンと機械学習を使って行動認識システムを作ろう
マイコンと機械学習を使って行動認識システムを作ろう
奈良先端大 情報科学研究科
 
5G時代を支えるNFVによるネットワーク最適設計
5G時代を支えるNFVによるネットワーク最適設計5G時代を支えるNFVによるネットワーク最適設計
5G時代を支えるNFVによるネットワーク最適設計
奈良先端大 情報科学研究科
 
21.Raspberry Piを用いたIoTアプリの開発
21.Raspberry Piを用いたIoTアプリの開発21.Raspberry Piを用いたIoTアプリの開発
21.Raspberry Piを用いたIoTアプリの開発
奈良先端大 情報科学研究科
 
20. 地理ビッグデータ利活用: リスク予測型自動避難誘導,地理的リスク分析
20. 地理ビッグデータ利活用: リスク予測型自動避難誘導,地理的リスク分析20. 地理ビッグデータ利活用: リスク予測型自動避難誘導,地理的リスク分析
20. 地理ビッグデータ利活用: リスク予測型自動避難誘導,地理的リスク分析
奈良先端大 情報科学研究科
 
11.実装の脆弱性を利用して強力な暗号を解読してみよう!
11.実装の脆弱性を利用して強力な暗号を解読してみよう!11.実装の脆弱性を利用して強力な暗号を解読してみよう!
11.実装の脆弱性を利用して強力な暗号を解読してみよう!
奈良先端大 情報科学研究科
 
8. ミニ・スーパコンピュータを自作しよう!
8. ミニ・スーパコンピュータを自作しよう!8. ミニ・スーパコンピュータを自作しよう!
8. ミニ・スーパコンピュータを自作しよう!
奈良先端大 情報科学研究科
 
16. マイコンと機械学習を使って行動認識システムを作ろう
16. マイコンと機械学習を使って行動認識システムを作ろう16. マイコンと機械学習を使って行動認識システムを作ろう
16. マイコンと機械学習を使って行動認識システムを作ろう
奈良先端大 情報科学研究科
 
15. テレイグジスタンスシステムを制作してみよう
15. テレイグジスタンスシステムを制作してみよう15. テレイグジスタンスシステムを制作してみよう
15. テレイグジスタンスシステムを制作してみよう
奈良先端大 情報科学研究科
 
14. ビデオシースルーHMDで視覚拡張の世界を体感しよう
14. ビデオシースルーHMDで視覚拡張の世界を体感しよう14. ビデオシースルーHMDで視覚拡張の世界を体感しよう
14. ビデオシースルーHMDで視覚拡張の世界を体感しよう
奈良先端大 情報科学研究科
 
19. 生物に学ぶ人工知能とロボット制御
19. 生物に学ぶ人工知能とロボット制御19. 生物に学ぶ人工知能とロボット制御
19. 生物に学ぶ人工知能とロボット制御
奈良先端大 情報科学研究科
 
13. SDRで学ぶ無線通信
13. SDRで学ぶ無線通信13. SDRで学ぶ無線通信
13. SDRで学ぶ無線通信
奈良先端大 情報科学研究科
 
18. 計測に基づいた写実的なコンピュータグラフィクスの生成法
18. 計測に基づいた写実的なコンピュータグラフィクスの生成法18. 計測に基づいた写実的なコンピュータグラフィクスの生成法
18. 計測に基づいた写実的なコンピュータグラフィクスの生成法
奈良先端大 情報科学研究科
 
21. 人の動作・行動センシングに基づく拡張現実感システムの開発
21. 人の動作・行動センシングに基づく拡張現実感システムの開発21. 人の動作・行動センシングに基づく拡張現実感システムの開発
21. 人の動作・行動センシングに基づく拡張現実感システムの開発
奈良先端大 情報科学研究科
 
20. 友好的関係を構築する人と対話ロボットのコミュニケーション技術開発
20. 友好的関係を構築する人と対話ロボットのコミュニケーション技術開発20. 友好的関係を構築する人と対話ロボットのコミュニケーション技術開発
20. 友好的関係を構築する人と対話ロボットのコミュニケーション技術開発
奈良先端大 情報科学研究科
 
9. マイコンと機械学習を使って行動認識システムを作ろう
9. マイコンと機械学習を使って行動認識システムを作ろう9. マイコンと機械学習を使って行動認識システムを作ろう
9. マイコンと機械学習を使って行動認識システムを作ろう
奈良先端大 情報科学研究科
 
6. 生物に学ぶ人工知能とロボット制御
6. 生物に学ぶ人工知能とロボット制御6. 生物に学ぶ人工知能とロボット制御
6. 生物に学ぶ人工知能とロボット制御
奈良先端大 情報科学研究科
 
14. モバイルエージェントによる並列分散学習システムの構築
14. モバイルエージェントによる並列分散学習システムの構築14. モバイルエージェントによる並列分散学習システムの構築
14. モバイルエージェントによる並列分散学習システムの構築
奈良先端大 情報科学研究科
 
17. 100台の小型ロボットを協調させよう
17. 100台の小型ロボットを協調させよう17. 100台の小型ロボットを協調させよう
17. 100台の小型ロボットを協調させよう
奈良先端大 情報科学研究科
 
5. ミニ・スーパコンピュータを自作しよう!
5. ミニ・スーパコンピュータを自作しよう!5. ミニ・スーパコンピュータを自作しよう!
5. ミニ・スーパコンピュータを自作しよう!
奈良先端大 情報科学研究科
 

More from 奈良先端大 情報科学研究科 (20)

テレコミュニケーションを支援してみよう
テレコミュニケーションを支援してみようテレコミュニケーションを支援してみよう
テレコミュニケーションを支援してみよう
 
マイコンと機械学習を使って行動認識システムを作ろう
マイコンと機械学習を使って行動認識システムを作ろうマイコンと機械学習を使って行動認識システムを作ろう
マイコンと機械学習を使って行動認識システムを作ろう
 
5G時代を支えるNFVによるネットワーク最適設計
5G時代を支えるNFVによるネットワーク最適設計5G時代を支えるNFVによるネットワーク最適設計
5G時代を支えるNFVによるネットワーク最適設計
 
21.Raspberry Piを用いたIoTアプリの開発
21.Raspberry Piを用いたIoTアプリの開発21.Raspberry Piを用いたIoTアプリの開発
21.Raspberry Piを用いたIoTアプリの開発
 
20. 地理ビッグデータ利活用: リスク予測型自動避難誘導,地理的リスク分析
20. 地理ビッグデータ利活用: リスク予測型自動避難誘導,地理的リスク分析20. 地理ビッグデータ利活用: リスク予測型自動避難誘導,地理的リスク分析
20. 地理ビッグデータ利活用: リスク予測型自動避難誘導,地理的リスク分析
 
11.実装の脆弱性を利用して強力な暗号を解読してみよう!
11.実装の脆弱性を利用して強力な暗号を解読してみよう!11.実装の脆弱性を利用して強力な暗号を解読してみよう!
11.実装の脆弱性を利用して強力な暗号を解読してみよう!
 
8. ミニ・スーパコンピュータを自作しよう!
8. ミニ・スーパコンピュータを自作しよう!8. ミニ・スーパコンピュータを自作しよう!
8. ミニ・スーパコンピュータを自作しよう!
 
16. マイコンと機械学習を使って行動認識システムを作ろう
16. マイコンと機械学習を使って行動認識システムを作ろう16. マイコンと機械学習を使って行動認識システムを作ろう
16. マイコンと機械学習を使って行動認識システムを作ろう
 
15. テレイグジスタンスシステムを制作してみよう
15. テレイグジスタンスシステムを制作してみよう15. テレイグジスタンスシステムを制作してみよう
15. テレイグジスタンスシステムを制作してみよう
 
14. ビデオシースルーHMDで視覚拡張の世界を体感しよう
14. ビデオシースルーHMDで視覚拡張の世界を体感しよう14. ビデオシースルーHMDで視覚拡張の世界を体感しよう
14. ビデオシースルーHMDで視覚拡張の世界を体感しよう
 
19. 生物に学ぶ人工知能とロボット制御
19. 生物に学ぶ人工知能とロボット制御19. 生物に学ぶ人工知能とロボット制御
19. 生物に学ぶ人工知能とロボット制御
 
13. SDRで学ぶ無線通信
13. SDRで学ぶ無線通信13. SDRで学ぶ無線通信
13. SDRで学ぶ無線通信
 
18. 計測に基づいた写実的なコンピュータグラフィクスの生成法
18. 計測に基づいた写実的なコンピュータグラフィクスの生成法18. 計測に基づいた写実的なコンピュータグラフィクスの生成法
18. 計測に基づいた写実的なコンピュータグラフィクスの生成法
 
21. 人の動作・行動センシングに基づく拡張現実感システムの開発
21. 人の動作・行動センシングに基づく拡張現実感システムの開発21. 人の動作・行動センシングに基づく拡張現実感システムの開発
21. 人の動作・行動センシングに基づく拡張現実感システムの開発
 
20. 友好的関係を構築する人と対話ロボットのコミュニケーション技術開発
20. 友好的関係を構築する人と対話ロボットのコミュニケーション技術開発20. 友好的関係を構築する人と対話ロボットのコミュニケーション技術開発
20. 友好的関係を構築する人と対話ロボットのコミュニケーション技術開発
 
9. マイコンと機械学習を使って行動認識システムを作ろう
9. マイコンと機械学習を使って行動認識システムを作ろう9. マイコンと機械学習を使って行動認識システムを作ろう
9. マイコンと機械学習を使って行動認識システムを作ろう
 
6. 生物に学ぶ人工知能とロボット制御
6. 生物に学ぶ人工知能とロボット制御6. 生物に学ぶ人工知能とロボット制御
6. 生物に学ぶ人工知能とロボット制御
 
14. モバイルエージェントによる並列分散学習システムの構築
14. モバイルエージェントによる並列分散学習システムの構築14. モバイルエージェントによる並列分散学習システムの構築
14. モバイルエージェントによる並列分散学習システムの構築
 
17. 100台の小型ロボットを協調させよう
17. 100台の小型ロボットを協調させよう17. 100台の小型ロボットを協調させよう
17. 100台の小型ロボットを協調させよう
 
5. ミニ・スーパコンピュータを自作しよう!
5. ミニ・スーパコンピュータを自作しよう!5. ミニ・スーパコンピュータを自作しよう!
5. ミニ・スーパコンピュータを自作しよう!
 

Recently uploaded

MySQLの文字コードと照合順序について 2024/07/05の勉強会で発表されたものです。
MySQLの文字コードと照合順序について 2024/07/05の勉強会で発表されたものです。MySQLの文字コードと照合順序について 2024/07/05の勉強会で発表されたものです。
MySQLの文字コードと照合順序について 2024/07/05の勉強会で発表されたものです。
iPride Co., Ltd.
 
Kyndryl Developer Services のご紹介 2024年7月
Kyndryl Developer Services のご紹介  2024年7月Kyndryl Developer Services のご紹介  2024年7月
Kyndryl Developer Services のご紹介 2024年7月
Takayuki Nakayama
 
「スマートエスイー」におけるスマートシステム&サービスおよびDX推進人材の産学連携育成ならびに参照モデルに基づく育成プログラム分析
「スマートエスイー」におけるスマートシステム&サービスおよびDX推進人材の産学連携育成ならびに参照モデルに基づく育成プログラム分析「スマートエスイー」におけるスマートシステム&サービスおよびDX推進人材の産学連携育成ならびに参照モデルに基づく育成プログラム分析
「スマートエスイー」におけるスマートシステム&サービスおよびDX推進人材の産学連携育成ならびに参照モデルに基づく育成プログラム分析
Hironori Washizaki
 
MOSHI: 革新的な音声AI QAIが開発した次世代のコミュニケーションツール
MOSHI: 革新的な音声AI QAIが開発した次世代のコミュニケーションツールMOSHI: 革新的な音声AI QAIが開発した次世代のコミュニケーションツール
MOSHI: 革新的な音声AI QAIが開発した次世代のコミュニケーションツール
TsuyoshiSaito7
 
【GPT4-o越えのリアルタイム会話AI】kyutai labsのMoshiデモ動画を解説
【GPT4-o越えのリアルタイム会話AI】kyutai labsのMoshiデモ動画を解説【GPT4-o越えのリアルタイム会話AI】kyutai labsのMoshiデモ動画を解説
【GPT4-o越えのリアルタイム会話AI】kyutai labsのMoshiデモ動画を解説
TsuyoshiSaito7
 
2024/07/04 Blazor+ローコードで実現する.NET資産のモダナイズ
2024/07/04 Blazor+ローコードで実現する.NET資産のモダナイズ2024/07/04 Blazor+ローコードで実現する.NET資産のモダナイズ
2024/07/04 Blazor+ローコードで実現する.NET資産のモダナイズ
Tatsuya Ishikawa
 
第61回CV勉強会「CVPR2024読み会」(前編)発表資料:State Space Models for Event Cameras
第61回CV勉強会「CVPR2024読み会」(前編)発表資料:State Space Models for Event Cameras第61回CV勉強会「CVPR2024読み会」(前編)発表資料:State Space Models for Event Cameras
第61回CV勉強会「CVPR2024読み会」(前編)発表資料:State Space Models for Event Cameras
Takuya Minagawa
 
VRM*VOICEVOX*GoogleCloudを使って自分だけのAIパートナーを作る話
VRM*VOICEVOX*GoogleCloudを使って自分だけのAIパートナーを作る話VRM*VOICEVOX*GoogleCloudを使って自分だけのAIパートナーを作る話
VRM*VOICEVOX*GoogleCloudを使って自分だけのAIパートナーを作る話
company21
 
能動的サイバー防御の時代へ - GPTsから垣間見えた私達と未来のAIについて
能動的サイバー防御の時代へ - GPTsから垣間見えた私達と未来のAIについて能動的サイバー防御の時代へ - GPTsから垣間見えた私達と未来のAIについて
能動的サイバー防御の時代へ - GPTsから垣間見えた私達と未来のAIについて
Tetsuya Nihonmatsu
 
「福利厚生をコストから投資へ」AIで社員1人ひとりに最適な支援を届ける 全く新しいカフェテリアプラン
「福利厚生をコストから投資へ」AIで社員1人ひとりに最適な支援を届ける 全く新しいカフェテリアプラン「福利厚生をコストから投資へ」AIで社員1人ひとりに最適な支援を届ける 全く新しいカフェテリアプラン
「福利厚生をコストから投資へ」AIで社員1人ひとりに最適な支援を届ける 全く新しいカフェテリアプラン
shogotaguchi
 

Recently uploaded (10)

MySQLの文字コードと照合順序について 2024/07/05の勉強会で発表されたものです。
MySQLの文字コードと照合順序について 2024/07/05の勉強会で発表されたものです。MySQLの文字コードと照合順序について 2024/07/05の勉強会で発表されたものです。
MySQLの文字コードと照合順序について 2024/07/05の勉強会で発表されたものです。
 
Kyndryl Developer Services のご紹介 2024年7月
Kyndryl Developer Services のご紹介  2024年7月Kyndryl Developer Services のご紹介  2024年7月
Kyndryl Developer Services のご紹介 2024年7月
 
「スマートエスイー」におけるスマートシステム&サービスおよびDX推進人材の産学連携育成ならびに参照モデルに基づく育成プログラム分析
「スマートエスイー」におけるスマートシステム&サービスおよびDX推進人材の産学連携育成ならびに参照モデルに基づく育成プログラム分析「スマートエスイー」におけるスマートシステム&サービスおよびDX推進人材の産学連携育成ならびに参照モデルに基づく育成プログラム分析
「スマートエスイー」におけるスマートシステム&サービスおよびDX推進人材の産学連携育成ならびに参照モデルに基づく育成プログラム分析
 
MOSHI: 革新的な音声AI QAIが開発した次世代のコミュニケーションツール
MOSHI: 革新的な音声AI QAIが開発した次世代のコミュニケーションツールMOSHI: 革新的な音声AI QAIが開発した次世代のコミュニケーションツール
MOSHI: 革新的な音声AI QAIが開発した次世代のコミュニケーションツール
 
【GPT4-o越えのリアルタイム会話AI】kyutai labsのMoshiデモ動画を解説
【GPT4-o越えのリアルタイム会話AI】kyutai labsのMoshiデモ動画を解説【GPT4-o越えのリアルタイム会話AI】kyutai labsのMoshiデモ動画を解説
【GPT4-o越えのリアルタイム会話AI】kyutai labsのMoshiデモ動画を解説
 
2024/07/04 Blazor+ローコードで実現する.NET資産のモダナイズ
2024/07/04 Blazor+ローコードで実現する.NET資産のモダナイズ2024/07/04 Blazor+ローコードで実現する.NET資産のモダナイズ
2024/07/04 Blazor+ローコードで実現する.NET資産のモダナイズ
 
第61回CV勉強会「CVPR2024読み会」(前編)発表資料:State Space Models for Event Cameras
第61回CV勉強会「CVPR2024読み会」(前編)発表資料:State Space Models for Event Cameras第61回CV勉強会「CVPR2024読み会」(前編)発表資料:State Space Models for Event Cameras
第61回CV勉強会「CVPR2024読み会」(前編)発表資料:State Space Models for Event Cameras
 
VRM*VOICEVOX*GoogleCloudを使って自分だけのAIパートナーを作る話
VRM*VOICEVOX*GoogleCloudを使って自分だけのAIパートナーを作る話VRM*VOICEVOX*GoogleCloudを使って自分だけのAIパートナーを作る話
VRM*VOICEVOX*GoogleCloudを使って自分だけのAIパートナーを作る話
 
能動的サイバー防御の時代へ - GPTsから垣間見えた私達と未来のAIについて
能動的サイバー防御の時代へ - GPTsから垣間見えた私達と未来のAIについて能動的サイバー防御の時代へ - GPTsから垣間見えた私達と未来のAIについて
能動的サイバー防御の時代へ - GPTsから垣間見えた私達と未来のAIについて
 
「福利厚生をコストから投資へ」AIで社員1人ひとりに最適な支援を届ける 全く新しいカフェテリアプラン
「福利厚生をコストから投資へ」AIで社員1人ひとりに最適な支援を届ける 全く新しいカフェテリアプラン「福利厚生をコストから投資へ」AIで社員1人ひとりに最適な支援を届ける 全く新しいカフェテリアプラン
「福利厚生をコストから投資へ」AIで社員1人ひとりに最適な支援を届ける 全く新しいカフェテリアプラン
 

多数のセンサーによる 時空間センシングデータの 効率的な集約送信技術

  • 1. Higashino Lab. 多数のセンサーによる 時空間センシングデータの 効率的な集約送信技術 宵憲治 *1, 山口弘純 *2,廣森聡仁 *2 ,内山彰 *2 ,東野輝夫 *2 柳谷尚寿 *3 ,中谷俊和 *3 立花篤男 *4,長谷川輝之 *4 *1 奈良先端科学技術大学院大学情報科学研究科 *2 大阪大学大学院情報科学研究科 *3 KDDI 株式会社ソリューション推進本部 *4 株式会社KDDI 研究所 2014/07/10 DICOMO2014 1
  • 2. . Higashino Lab. 研究背景 多種多様なセンサーによるリアルタイムセンシング におけるセンサデータ集約 大容量のセンサデータ 計測時間等のメタデータを持つ(XML等) 多数のセンサーから数秒毎に発生 多種多様なセンサーが混在 Gateway性能や回線の制限 Gatewayのバッファリング容量等 回線が限定された地域(3Gしか使えない等) Gatewayへ Gateway 送信 データセンター GW制限,通信制限に応じたデータ圧縮率制御が可能で 多種多数のセンサー混在環境に対応したデータ集約圧縮方 式 2014/10/3 DICOMO2014 2
  • 3. - Higashino Lab. 研究目的 多種多様なセンサーが混在する環境で出来るだけ 送信コストを減らせるような集約圧縮方式の実現 XMLタグ等データの余分なところを切り落とし,更に実 データ部分も削減したい 月々の通信量が決められているような制限がある環境等 にも対応できる M2Mに容易に組み込める圧縮転送モジュール シンプルで柔軟性の高い方式 2014/07/10 DICOMO2014 3
  • 4. - Higashino Lab. 研究概要 家庭やオフィス等に設置した多種多様なセンサーか ら得られるデータの集約・圧縮技術の検討 温度・湿度・CO2濃度・電力センサーを使用 提案手法 1) 多種デバイス混在状況における小規模パケット集約方式 個々のデータが持っているメタデータをデータブロック毎に集約 することによるメタデータ情報量を削減 2) 集約データの時空間圧縮転送方式 圧縮センシング定理により,環境に合わせた圧縮率で実データ の圧縮・復元 これらの方式を利用した センサデータ収集システムの開発 2014/07/10 DICOMO2014 4
  • 5. Higashino Lab. 研究グループで開発した センサデータ収集システム概要 店舗/オフィス/家庭等 センサデータ 集約圧縮 Gate Way ネットワーク 3G LTE WiMAX Wi-Fi Others データセンター データ復元 全データ集約 サーバー 温湿度センサー 電⼒センサー等 :データ圧縮・復元・ブロック転送機能 :リンクアグリゲーション(LA)機能(KDDI研究所) 可視化サーバー等 2014/07/10 DICOMO2014 5
  • 6. - Higashino Lab. (1)多種デバイス混在環境における小規模 パケット集約方式 センサーIDと,メタデータ要素からなる多次元マトリ クスに値丸めをしてパッキング センサーID付与 1111 2 3 4 計測時刻 8:01:05 8:00:59 8:01:00 8:00:55 8:01:35 8:01:29 8:01:30 8:01:25 8:02:05 8:01:59 8:02:00 8:01:55 8:02:35 8:02:29 8:02:30 8:02:25 8:03:05 8:02:59 8:03:00 8:02:55 センサーID 計測時間1 2 3 4 8:01:00 250 260 250 265 8:01:30 250 260 252 260 8:02:00 248 257 250 260 8:02:30 250 257 250 260 8:03:00 250 258 248 260 メタデータ要素 (ここでは計測時間) 値丸め整列 2014/07/10 DICOMO2014 6 センサーデータ(XML)
  • 7. Higashino Lab. (1)多種デバイス混在環境における小規模 パケット集約方式 多次元マトリクスから空間的,時間的類似性等,環 境に合わせて適応的にデータブロックを決定 空間的類似性:同部屋に設置したセンサーの値の類似等 時間的類似性:単一センサーの時間的変化の類似 時間的類似性の高いデータブロック例(温度データ13時-16時) 類似値が多い 2014/07/10 DICOMO2014 7
  • 8. - Higashino Lab. (1)多種デバイス混在環境における小規模 パケット集約方式 データブロック内のメタデータが共通する行を纏めて 付与することでメタデータ量を削減,効率化 a. センサID存在bit(行に対する列データの存在) b. 開始行の計測時刻(行のメタデータ) c. 計測インターバル(行メタデータの間隔) d. 計測インターバル継続回数(行数) センサーID b. 080100 計測時間1 2 3 4 8:01:00 250 260 250 265 8:01:30 250 260 252 260 8:02:00 248 257 250 260 8:02:30 250 257 250 260 8:03:00 250 N/A 248 N/A a. 1111((((各列にデータが存在)))) c. 30 d. 4 a. 1010(1, 3 にデータが存在)))) 2014/07/10 DICOMO2014 8
  • 9. - Higashino Lab. (2)集約データの時空間圧縮転送方式 圧縮センシングを利用 データ列のスパース性(零要素が多い性質)を利用し,圧 縮,復元を行う手法 データブロック内データの最頻値を0とした差分値を取るこ とによりスパースなデータ列を生成し,環境に合った圧縮 率でデータ数の圧縮・復元を行う.(圧縮率と誤復元率はト レードオフ) スパース原信号ベクトル 0,1,0,0,0,1,0,0,-2,0, -2,2,0,0,1,0,0,2,-2,0 センサーID 計測時間1 2 3 4 8:01:00 250 251 250 250 8:01:30 250 251 250 250 8:02:00 248 250 248 252 8:02:30 250 250 251 250 8:03:00 250 252 248 250 2014/07/10 DICOMO2014 9
  • 10. (2)集約データの時空間圧縮転送方式 - Higashino Lab. データブロックをスパースになるように選ぶことで圧 縮センシングに適したデータ列を得る 実証実験では時間的類似に基づいてデータブロック構築 →最頻値を0とすると全データの零要素率60%-70%程度 実証実験(センサー数200)での全多次元マトリクス例 ID 1 2 3 4 5 6 ・・・199998888 199999999 200000000 8:01:00 250 250 251 253 253 253 ・・・250 250 251 8:01:30 250 250 251 253 253 254 ・・・250 250 251 時間的類似 8:02:00 251 249 251 253 253 254 ・・・251 249 251 8:02:30 251 250 250 253 253 255 ・・・251 250 251 8:03:00 251 250 250 253 253 253 ・・・251 250 251 空間的類似 8:03:30 251 250 250 253 253 255 ・・・251 250 251 2014/07/10 DICOMO2014 10
  • 11. Higashino Lab. 実証実験 豊田市の実在する50施設(スマートハウス,公民館, 店舗等)に各センサー(温湿度,CO2,電力)計200台 とゲートウェイを設置し,システムの実証実験を行っ た. (2014年3月) 設置拠点例(スマートハウス) ゲートウェイの設置状況 2014/07/10 DICOMO2014 11
  • 12. 計測インターバル30秒毎 送信インターバル5分毎 計測期間2日間(XMLデータ約100MB) センサ設置数温湿度CO2センサ計201台 - Higashino Lab. 実証実験による性能評価 実験環境 評価パラメータ データブロック要素数((((N) 24 (ID.1×time.24) データ個数圧縮率(M/N) 0.9, 0.8, 0.7, 0.6, 0.5, 0.4 評価メトリクス 小規模パケット集約によるメタデータ削減率 圧縮センシングによる計測データ圧縮率 圧縮センシングの計測データ完全復元率(原データと復元データの完 全一致割合) 2014/07/10 DICOMO2014 12 圧縮率0.8なら 要素数を24→19に圧縮
  • 13. - Higashino Lab. 性能評価(メタデータ削減率) 小規模パケット集約方式によるメタデータ量の削減 を行った結果 小規模パケット集約方式のメタデータ集約により 約50%(8.3MB→4MB)のデータ量を削減 集約後のデータ量は元XMLデータの4%程度 データの状態データ容量 元XMLデータ100MB 多次元マトリクス構築後8.3MB メタデータ集約後4MB 2014/07/10 DICOMO2014 13
  • 14. - Higashino Lab. 性能評価(圧縮センシング) メタデータ削減後の2MBのデータに対して圧縮セン シングによる圧縮を行った時の結果 圧縮率に対するデータ削減率 79.8% 75.6% 71.2% 66.6% 62.0% 61.1% 0.9 0.8 0.7 0.6 0.5 0.4 95%以上の復元率 約40%まで圧縮率を変化可能 圧縮率に対する完全復元率 96.7% 96.4% 96.0% 95.8% 95.5% 0.9 0.8 0.7 0.6 0.5 0.4 メタデータ削減と合わせると 最大で約70%程度を削減 100.0% 90.0% 80.0% 70.0% 60.0% 50.0% 95.5% 100.0% 99.0% 98.0% 97.0% 96.0% 95.0% 94.0% 93.0% 2014/07/10 DICOMO2014 14
  • 15. - Higashino Lab. まとめと今後の課題 まとめ 小規模パケット集約方式と圧縮転送方式によるセンシン グデータの集約圧縮の開発 両方式による集約圧縮で最大約70%程度のデータ量を削減 実在する複数の施設で実証実験を展開し本手法が実用 上十分な結果が得られていることを確認 今後の課題 回線切断・回復といった状況の発生時における性能評価 より柔軟性の高い方式への拡張(類似性の高いデータブ ロックの自動検出等) 2014/07/10 DICOMO2014 15
  • 16. 各拠点 温湿度データCO2データ電力量データ センシングデータ 集約・圧縮モジュール - Higashino Lab. 機能モジュールと技術 センシングデータ 復元モジュール (2) 集約データの時空間 データセンター 圧縮転送方式 温湿度/CO2可視化サーバ電力量可視化サーバ スマートエコワットEcoアプリ (Webサービス)))) おんどとりwebストレージ (Webサービス)))) (1) 多種デバイス混在環境におけ る小規模パケット集約方式 (3) データ復元 と可視化 阪大開発 可視化ソフトウェア 2014/07/10 DICOMO2014 16
  • 17. - Higashino Lab. 研究背景:センサデータ集約蓄積 HEMS BEMS 行動トラッキング ((公共空間,,,,老人施設)))) (1) 多種多数のセンサーからの個々の小デー タがXMLに埋込まれ,時々刻々と送信される (2) データを拠点ごとにデータ集約する GateWayはバッファリング容量や処理性能も 限定される(e.g. 通信断時のバッファあふれ) 小規模異種センサーデータ を適応的にリアルタイム集約 圧縮する技術が望まれる 2014/07/10 DICOMO2014 17
  • 18. Higashino Lab. 1 5 9 2014年3月24日 13 17 21 25 33 29 300 250 200 150 100 50 0 32400 32520 32640 32760 32880 33000 33120 33240 33360 33480 33600 33720 33840 33960 34080 34200 34320 34440 34560 34680 34800 34920 35040 35160 35280 35400 35520 35640 35760 35880 2014/07/10 18 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 ℃×11110000 秒((((9:00:00-10:00:00) 拠点センサーID 実証実験における 時空間データ(温度) DICOMO2014
  • 19. 設置地点空調が効いた室内 計測インターバル30秒毎 送信インターバル1分毎 データ蓄積期間3日間(XMLデータ約10MB) センサ設置数温湿度センサー1台 - Higashino Lab. 評価実験 実験環境 評価パラメータ 時空間ブロック要素数((((N) 12,15,20,30 実データ個数圧縮率(M/N) 0.9, 0.8, 0.7, 0.6, 0.5 評価メトリクス 小規模パケット集約によるメタデータ削減率 圧縮センシングによる計測データ圧縮率 圧縮センシングの計測データ完全復元率(原データと復元データの完 全一致割合) 2014/07/10 DICOMO2014 19
  • 20. - Higashino Lab. 圧縮センシングの原理 原信号ベクトルx0のデータ数(次元数)をN 圧縮後のベクトルのデータ数(次元数)をM(MN) M×Nの圧縮行列をA (圧縮,復元両側で既知)(ランダム行列を用いる) 原信号ベクトルの非零要素数をK (K-スパース) (復元時に使用) 圧縮:圧縮行列との積復元:L1再構成[1] 復元M→N M×N行列A x 0 圧縮N→M M M ×N行列A x0 転送 ゲートウェイ側データセンター側 [1]圧縮センシング-疎情報の再構成とそのアルゴリズム- : http://www.kurims.kyoto-u.ac.jp/~kyodo/kokyuroku/contents/pdf/1803-03.pdfa N 2014/07/10 DICOMO2014 20
  • 21. - Higashino Lab. (3)データ復元-L1再構成- 原信号要素数N=3 圧縮後ベクトル要素数M=2 非零要素数K=2(零要素の数が1個) L1-ノルム(3次元正八面体) 既知の2×3圧縮行列Aと圧縮ベクトルyを用いた直線式 →3変数2方程式 y = Ax→ y1 y2    + x3 零要素数2(頂点) x = x1 + x2 零要素数1(辺) L1-ノルム    = a1 a2 b1 b2 c1 c2    既知値      x1 x2 x3     y = Ax 未知値 2014/07/10 DICOMO2014 21
  • 22. 剠ע Higashino Lab. (3)データ復元-L1再構成- L1-ノルム(正八面体)を大きくしていき,直線と接し た点が推定値 推定値 x = x1 + x2 + x3 y = Ax 2014/07/10 DICOMO2014 22
  • 23. - Higashino Lab. (3)データ復元-L1再構成- 線形制約y=AxのもとでL1ノルムを最小化することに より原信号x0を推定する手法 0要素の個数が分かっているベクトルの推定には正しい結果を得やす い L1ノルム:原信号の各要素絶対値の和 L1ノルム最小化問題を解くことで復元 x = argmin x x subject.to y = Ax 実装時は補助関数t=(t1,…,tN)T を導入し 線形計画問題として定式化 N Σ subj.to − t ≤ x ≤ t, y = Ax min ti i=1 2014/07/10 DICOMO2014 23
  • 24. 各Nの値に対するメタデータ情報量削減後のデータ容量(KB) - Higashino Lab. 評価結果(メタデータ削減率) データマトリクスを構築後のデータに対して時空間ブ ロックによる集約を行った結果 (KB) (Nの値) 25 65% 16.3 56% 14.1 50% 12.4 44% 10.9 25 20 15 10 5 0 0 12 15 20 30 2014/07/10 DICOMO2014 24
  • 25. 85.0% 80.0% - 75.0% Higashino Lab. 評価結果(圧縮センシング) N=12の時,メタデータ削減後の16.3KBのデータに 対して圧縮センシングによる圧縮を行った時の結果 復元率 0.9 0.8 0.7 0.6 0.5 90-95%程度の復元率 約50%まで圧縮率を変化可能 70.0% 65.0% 60.0% 圧縮率 0.9 0.8 0.7 0.6 0.5 96.0% 94.0% 92.0% 90.0% 88.0% (M/N) (M/N) メタデータ削減と合わせると 最大で約65%程度を削減 2014/07/10 DICOMO2014 25
  • 26. 原信号と一致しないデータ(圧縮率50%時に全体の 5%程度)の誤差は極めて限定的(全て1以下) 原信号に対する復元信号の誤差 (温度データ0.1℃区切) ᾠ ׭ Higashino Lab. 復元不一致要素の誤差 (℃) 1 0.8 0.6 0.4 0.2 0 -0.2 -0.4 -0.6 -0.8 -1 原信号との差 2014/07/10 DICOMO2014 26
  • 27. - Higashino Lab. 実証実験結果 実証実験を行った29拠点201センサー(温度,湿度 CO2濃度)の1時間(3月25日午前9時台)のデータに 対し同様の評価を行った 単拠点での評価と計測データ,完全圧縮率,復元時 誤差は概ね一致しており,十分な結果が得られてい る. メタデータ削減率((((ただ しXML削減率も含む)))) 計測データ 圧縮率 完全復元率復元時 誤差 圧縮 効率 0.26MB/1.53MB (16.9%) 32KB/43KB (74%) 9616/10212 (94.1%) 0.12 2014/07/10 DICOMO2014 27
  • 28. 走ؒ Higashino Lab. 実証実験結果 ある1拠点での6日間(3/15~21)の温湿度センサー データに対し,下記を測定 小規模パケット集約によるメタデータ削減率 圧縮センシングによる計測データ圧縮率 圧縮データの(完全)復元率 不完全復元時の誤差 メタデータ削減率((((ただ しXML削減率も含む)))) 計測データ 圧縮率 完全復元率復元時 誤差 圧縮 効率 0.49MB/11.58MB (4.2%) 108KB/150KB (72%) 34940/39639 (88.1%) 0.12 2014/07/10 DICOMO2014 28
  • 29. 갠 ؖ Higashino Lab. 参考1:L1再構成の計算量 圧縮センシング問題(原信号の推測方法)をL1再構 成に基いて解くと,最適化問題であるので凸線形計 画問題として解くことができる. 圧縮時は行列と原信号の積をとるのみなので,計算量は 少ない 復元時の計算量は一般的に数式を入力します。O(N3)に なることが知られている(より少ない計算量で再構成でき るアルゴリズムも現在研究されている) http://www.kurims.kyoto-u. ac.jp/~kyodo/kokyuroku/contents/pdf/1803-03.pdf 2014/07/10 DICOMO2014 29
  • 30. 圧縮行列A が,kスパースベクトルx に対してAx = 0 となっ てしまうとL1再構成が機能しない.しかしkに対し下記の不等 が任意のxについて成り立つような最小のδをδkとし, ൰ Higashino Lab. L1再構成における 可逆圧縮時の圧縮率上限 式 が成り立つようなKが存在すれば,L1再構成は正しい推定結 果を与えることが知られている(等長性定理) つまり,x に対しAx の大きさのずれが一定以下である圧縮 行列Aを選べばL1再構成が成功する ここでランダム行列が各要素が平均0,分散1/M の正規分布 に従うとき,高い確率で等長性定理が成り立つことが知られ ている(CandesとTaoの定理) 2014/07/10 DICOMO2014 30
  • 31. 蓠ؖ Higashino Lab. L1再構成における 可逆圧縮時の圧縮率上限 提案手法ではxの次元数が一意でないため,最大の ランダム行列を先述の方針にしたがって定め,その 任意の部分行列もなるべくランダム行列に従うよう にしておく.xの次元数にあわせてランダム行列から 圧縮行列Aを抽出することでランダム性を担保する 2014/07/10 DICOMO2014 31