受约束特征选择的条件Gumbel-Softmax及其在无线传感网络节点选择中的应用
机器学习
2024-06-05 v1 网络与互联网体系结构
摘要
本文引入了条件Gumbel-Softmax作为一种方法，用于在给定任务和深度神经网络（DNN）模型的前提下，学习最优特征子集的端到端方法，同时遵守特征之间 Certain 两两约束。我们通过对每个特征的选择进行条件化来实现这一点，即以另一个特征为条件。我们演示了这种方法可用于选择无线传感网络（WSN）中任务最优的节点组合，同时确保需要相互通信的节点之间的距离不会过大，从而限制了这种通信所需的功耗。我们在模拟的无线脑电图（EEG）传感网络（WESN）中验证了该方法，用以解决运动执行任务。我们分析了在约束更严格的情况下，WESN的性能如何变化，以及条件Gumbel-Softmax相对于启发式贪婪选择方法的性能如何。虽然本文的应用焦点是可穿戴脑机接口，但该提出的方法是通用的，可以轻易应用于无线传感网络中的节点部署以及其他受约束特征选择应用。
引用
@article{arxiv.2406.01162,
title = {Conditional Gumbel-Softmax for constrained feature selection with application to node selection in wireless sensor networks},
author = {Thomas Strypsteen and Alexander Bertrand},
journal= {arXiv preprint arXiv:2406.01162},
year = {2024}
}