Бесплатно · С открытым исходным кодом · AGPL-3.0

Писать
исследовательские работы
как будто ты пишешь код.

Oleafly — это локальное исследовательское пространство для LaTeX, Typst и Markdown. Ваши проекты хранятся на вашем компьютере в виде простых файлов с реальной историей Git, компиляторы поставляются в комплекте, а дополнительный агент искусственного интеллекта проверяет свои собственные изменения, компилируя и читая PDF-файл. Ни учетной записи, ни телеметрии, ни установки TeX.

Скачать бесплатно Прочтите документацию

OleaflyEdgeSense: Energy Aware Wi…

Compile

prajwal-svm

Source Tree

.gitignore

main.tex

project.json

README.md

references.bib

refs.bib

Structure 38

Filter project map…

main.texmain.tex:19:1

Introductionmain.tex:19:1

System designmain.tex:26:1

fig:architecturemain.tex:43:8

System designmain.tex:26:1

Deployment and evaluationmain.tex:45:1

tab:resultsmain.tex:56:69

Deployment and evaluationmain.tex:45:1

equationmain.tex:50:1

Resultsmain.tex:65:1

figuremain.tex:71:1

Ablations, safety, and limitat…main.tex:81:1

Conclusionmain.tex:87:1

fairmain.tex:92:1

tinymlmain.tex:93:1

main.tex

1\documentclass[conference]{IEEEtran}

2\usepackage{amsmath,amssymb,booktabs,graphicx,xcolor,tikz}

3\usepackage[hidelinks]{hyperref}

4\usetikzlibrary{positioning,arrows.meta,shapes.geometric}

5\title{EdgeSense: Energy-Aware Wildfire Detection with Collaborative Sensor Networks}

6\author{\IEEEauthorblockN{Nadia Flores, Min-jun Lee, and Caleb Morgan}

7\IEEEauthorblockA{Center for Resilient Computing, Cascadia Institute of Technology\\

8Seattle, WA, USA \quad \{nflores,mjlee,cmorgan\}@example.edu}}

9\begin{document}\maketitle

10\begin{abstract}

11We present EdgeSense, a low-power wildfire early-warning system that fuses thermal,

12particulate, humidity, and wind observations across a mesh of battery-powered

13nodes. A gated temporal model runs locally and transmits only uncertain windows~\cite{lecun2015deep}.

14In a 16-week controlled field deployment, EdgeSense detected 94.1\% of burn events

15at 0.7 false alarms per node-week while reducing radio energy by 63\% relative to

16periodic streaming. Results use a synthetic but realistic demo dataset.

17\end{abstract}

18\begin{IEEEkeywords}edge computing, environmental sensing, wildfire, TinyML, sensor networks\end{IEEEkeywords}

19\section{Introduction}

20Wildfire ignition can develop faster than sparse satellite revisit cycles and

21manual reports~\cite{hastie2009}. Dense ground networks provide local measurements but create a

22difficult systems trade-off: radios consume most of a node's energy, yet delaying

23communication can hide the earliest evidence~\cite{wilkinson2016}. EdgeSense moves triage to the node

24and treats transmission as a decision under uncertainty.

26\section{System design}

27Each node samples temperature, relative humidity, particulate matter, and wind

28once per minute~\cite{vaswani2017}. A 12\,kB quantized temporal convolutional network scores

29five-minute windows~\cite{gelman2013}. Scores below 0.25 are stored locally; scores between 0.25 and

300.70 trigger peer confirmation; scores above 0.70 trigger an immediate gateway

31packet.

32\begin{figure}[t]\centering

33\begin{tikzpicture}[font=\scriptsize,node distance=4mm,

34n/.style={draw,rounded corners,fill=blue!6,minimum width=18mm,minimum height=7mm},

35a/.style={-{Stealth[length=1.7mm]},thick}]

36\node[n] (s) {Sensors}; \node[n,right=of s] (f) {Feature buffer};

37\node[n,right=of f] (m) {Tiny model}; \node[n,below=of m] (p) {Peer vote};

38\node[n,left=of p] (g) {Gateway};

39\draw[a](s)--(f);\draw[a](f)--(m);\draw[a](m)--(p);\draw[a](p)--(g);

40\draw[a,bend left=25](m) to node[above]{high confidence}(g);

41\end{tikzpicture}

42\caption{EdgeSense performs local triage and requests peer confirmation only for ambiguous windows.}

43\label{fig:architecture}\end{figure}

45\section{Deployment and evaluation}

46We deployed 48 nodes across three ecological zones~\cite{wilkinson2016}. Controlled burns and heated

47aerosol challenges generated 186 positive windows; 11,420 background windows

48captured fog, dust, vehicle exhaust, and sensor maintenance~\cite{lundberg2017}. Splits were grouped

49by day to prevent temporal leakage.

50\begin{equation}

51\mathcal{L}=-w_+y\log p-w_-(1-y)\log(1-p)+\lambda\lVert\theta\rVert_2^2.

52\end{equation}

53We compare periodic streaming, fixed thresholds, an ungated neural baseline, and

54EdgeSense. The primary metrics are event recall, false alarms per node-week,

55median alert latency, and measured radio energy.

56\begin{table}[t]\centering\caption{Field evaluation results.}\label{tab:results}

57\begin{tabular}{@{}lrrrr@{}}\toprule

58Method & Recall & FA/wk & Latency & Energy\\\midrule

59Periodic stream & .957 & 1.8 & 72 s & 100\%\\

60Fixed threshold & .876 & 3.4 & 61 s & 41\%\\

61Ungated TCN & .946 & 1.1 & 58 s & 52\%\\

62\textbf{EdgeSense} & \textbf{.941} & \textbf{0.7} & \textbf{54 s} & \textbf{37\%}\\\bottomrule

63\end{tabular}\end{table}

65\section{Results}

66EdgeSense retains 98.3\% of the streaming baseline's recall while using 37\% of

67its radio energy~\cite{gelman2013}. Peer voting removes 31\% of fog-related false alarms~\cite{hastie2009}. At the

68median observed solar input, the modeled service interval rises from 11 to 29

69months. Performance degrades gracefully when one sensing channel is unavailable.

71\begin{figure}[t]\centering

72\begin{tikzpicture}[x=.72cm,y=.55cm,font=\scriptsize]

73\draw[->](0,0)--(7,0)node[right]{week};\draw[->](0,0)--(0,5)node[above]{recall};

74\draw[blue,very thick] plot coordinates{(0,.8)(1,1.6)(2,2.2)(3,2.8)(4,3.5)(5,4.0)(6,4.25)};

75\draw[orange,very thick,dashed] plot coordinates{(0,.7)(1,1.3)(2,1.9)(3,2.4)(4,2.8)(5,3.1)(6,3.25)};

76\node[blue] at (5.2,4.5){EdgeSense};\node[orange] at (5,2.6){threshold};

77\end{tikzpicture}

78\caption{Cumulative detection performance remained stable across the deployment.}

79\end{figure}

81\section{Ablations, safety, and limitations}

82Removing peer voting increases false alarms by 44\%; removing wind direction

83reduces recall by 3.8 points~\cite{lundberg2017}. EdgeSense is advisory: alerts require confirmation

84by the incident-management system, and nodes never autonomously dispatch a public

85warning~\cite{vaswani2017}. The deployment did not cover crown fires or winter conditions.

87\section{Conclusion}

88Selective communication can extend unattended sensing without hiding early

89signals~\cite{hastie2009}. The next deployment will test transfer across biomes and signed

90over-the-air model updates.

91\begin{thebibliography}{2}

92\bibitem{fair} M~\cite{wilkinson2016}. Wilkinson et al., \emph{The FAIR Guiding Principles}, \emph{Scientific Data}, 2016.

93\bibitem{tinyml} P. Warden and D. Situnayake, \emph{TinyML}. O'Reilly, 2019.

94\end{thebibliography}

95\end{document}

Logs 1.9s 100% 1 of 2

Compiling 1/3 done

1 running · 1 queued

Language analysisCurrent project revision analyzed
CompilingProducing and verifying PDF output
Rendering PDFWaiting for verified compile output

EdgeSense: Energy-Aware Wildfire Detection with
Collaborative Sensor Networks

Nadia Flores, Min-jun Lee, and Caleb Morgan
Center for Resilient Computing, Cascadia Institute of Technology
Seattle, WA, USA {nflores,mjlee,cmorgan}@example.edu

Fig. 1. EdgeSense performs local triage and requests peer confirmation only for ambiguous windows.

Abstract—We present EdgeSense, a low-power wildfire early-warning system that fuses thermal, particulate, humidity, and wind observations across a mesh of battery-powered nodes. A gated temporal model runs locally and transmits only uncertain windows. In a 16-week controlled field deployment, EdgeSense detected 94.1% of burn events at 0.7 false alarms per node-week while reducing radio energy by 63% relative to periodic streaming. Results use a synthetic but realistic demo dataset.

Index Terms—edge computing, environmental sensing, wildfire, TinyML, sensor networks

I. INTRODUCTION

Wildfire ignition can develop faster than sparse satellite revisit cycles and manual reports . Dense ground networks provide local measurements but create a difficult systems trade-off: radios consume most of a node's energy, yet delaying communication can hide the earliest evidence . EdgeSense moves triage to the node and treats transmission as a decision under uncertainty.

II. SYSTEM DESIGN

Each node samples temperature, relative humidity, particulate matter, and wind once per minute . A 12 kB quantized temporal convolutional network scores five-minute windows . Scores below 0.25 are stored locally; scores between 0.25 and 0.70 trigger peer confirmation; scores above 0.70 trigger an immediate gateway packet .

III. DEPLOYMENT AND EVALUATION

We deployed 48 nodes across three ecological zones . Controlled burns and heated aerosol challenges generated 186 positive windows; 11,420 background windows captured fog, dust, vehicle exhaust, and sensor maintenance . Splits were grouped by day to prevent temporal leakage.

ℒ = −w₊y log p − w₋(1−y) log(1−p) + λ∥θ∥²₂.(1)

TABLE I
Field evaluation results.

Method	Recall	FA/wk	Latency	Energy
Periodic stream	.957	1.8	72 s	100%
Fixed threshold	.876	3.4	61 s	41%
Ungated TCN	.946	1.1	58 s	52%
EdgeSense	.941	0.7	54 s	37%

Fig. 2. Cumulative detection performance remained stable across the deployment.

We compare periodic streaming, fixed thresholds, an ungated neural baseline, and EdgeSense. The primary metrics are event recall, false alarms per node-week, median alert latency, and measured radio energy.

IV. RESULTS

EdgeSense retains 98.3% of the streaming baseline's recall while using 37% of its radio energy . Peer voting removes 31% of fog-related false alarms . At the median observed solar input, the modeled service interval rises from 11 to 29 months. Performance degrades gracefully when one sensing channel is unavailable.

V. ABLATIONS, SAFETY, AND LIMITATIONS

Removing peer voting increases false alarms by 44%; removing wind direction reduces recall by 3.8 points . EdgeSense is advisory: alerts require confirmation by the incident-management system, and nodes never autonomously dispatch a public warning . The deployment did not cover crown fires or winter conditions.

VI. CONCLUSION

Selective communication can extend unattended sensing without hiding early signals . The next deployment will test transfer across biomes and signed over-the-air model updates.

REFERENCES

[1]L. Giglio, J. Descloitres, C. O. Justice, and Y. J. Kaufman, “An enhanced contextual fire detection algorithm for MODIS,” Remote Sensing of Environment, vol. 87, no. 2–3, pp. 273–282, 2003.

[2]W. Schroeder, P. Oliva, L. Giglio, and I. A. Csiszar, “The new VIIRS 375 m active fire detection data product,” Remote Sensing of Environment, vol. 143, pp. 85–96, 2014.

[3]U. Dampage, L. Bandaranayake, R. Wanasinghe, K. Kottahachchi, and B. Jayasanka, “Forest fire detection system using wireless sensor networks and machine learning,” Scientific Reports, vol. 12, no. 1, p. 46, 2022.

[4]K. S. Adu-Manu, N. Adam, C. Tapparello, H. Ayatollahi, and W. Heinzelman, “Energy-harvesting wireless sensor networks: A review,” ACM Transactions on Sensor Networks, vol. 14, no. 2, pp. 1–50, 2018.

[5]F. Adelantado, X. Vilajosana, P. Tuset-Peiro, B. Martinez, J. Melia-Segui, and T. Watteyne, “Understanding the limits of LoRaWAN,” IEEE Communications Magazine, vol. 55, no. 9, pp. 34–40, 2017.

[6]S. Bai, J. Z. Kolter, and V. Koltun, “An empirical evaluation of generic convolutional and recurrent networks for sequence modeling,” arXiv:1803.01271, 2018.

[7]B. Jacob, S. Kligys, B. Chen, M. Zhu, M. Tang, A. Howard, H. Adam, and D. Kalenichenko, “Quantization and training of neural networks for efficient integer-arithmetic-only inference,” in Proc. IEEE/CVF CVPR, 2018, pp. 2704–2713.

[8]P. P. Ray, “A review on TinyML: State-of-the-art and prospects,” Journal of King Saud University - Computer and Information Sciences, vol. 34, no. 4, pp. 1595–1623, 2022.

[9]Y. Geifman and R. El-Yaniv, “Selective classification for deep neural networks,” arXiv:1705.08500, 2017.

Zoom in

Zoom out

Fit to width

Fit to height

Reset to 100%

25%

50%

75%

100%

150%

200%

400%

Undefined reference

bibentry · wilkinson2016

@article
@article{wilkinson2016,
references.bib:11

Plan

Inventory citations used in main.tex and references.bib

Search literature for papers matching each cited claim

Verify every candidate citation is real

Add verified BibTeX entries to references.bib

Replace unresolved cites in main.tex

Recompile and confirm all citations resolve

Connect an AI provider to continue

Bring your own API key (OpenAI, Anthropic, Groq, and more) or run a model locally with Ollama. The assistant can read and edit files, compile your project, and verify the PDF.

Connect a providerRun a local model with Ollama

How can I help with your research?

Working on "EdgeSense: Energy Aware Wildfire Detection"

Find papers to cite Write a literature review Fix any source errors in my document Create a new section called 'Publications' Find every citation in the project Recompile and check for errors

Import your Zotero or EndNote library

Find papers to cite

Thinking...

Thought for 10s

update_todos

read_file

I'll inspect the current citations first, then search for papers that actually support the claims.

Thinking...

I need sources that match the paper's actual claims:
- satellite fire detection
- low-power sensor networks
- TinyML and quantized inference

I'll keep only results with verifiable DOI metadata.

literature_search

alphaxiv_search

Quick audit: three citation keys do not resolve, and two existing entries point to unrelated papers. I'm searching for better matches on wildfire sensing, TinyML, and low-power networks.

literature_search

verify_citation

Four solid matches so far: MODIS fire detection, a field-tested sensor-network detector, an energy-harvesting survey, and a TinyML review. I'm checking the DOI metadata before I touch the bibliography.

verify_citation

update_todos

The citations check out. I'll add nine verified entries to references.bib, then place them beside the claims they support.

write_fileApproved

The bibliography is in place. Next I'm replacing the unresolved keys in main.tex with the verified sources.

replace_in_fileAlways allowed

compile

verify_pdf_pages

Done. I added nine verified references, replaced the three unresolved keys, and recompiled the paper. The two-page PDF now has a complete IEEE bibliography with no missing citations.

Restore code to before this response

The assistant wants to change your files

write_filereferences.bibline 1

references.bibfirst change · L1

1@article{open_science2015,

2 title = {Estimating the Reproducibility of Psychological Science},

1@article{giglio2003,

2 author = {Giglio, Louis and Descloitres, Jacques and Justice, Christopher O.},

3 title = {An Enhanced Contextual Fire Detection Algorithm for {MODIS}},

4 journal = {Remote Sensing of Environment},

5 year = {2003}, doi = {10.1016/S0034-4257(03)00184-6}

6}

Reject Always allow Approve

The assistant wants to change your files

replace_in_filemain.texline 21

main.texfirst change · L21

20Wildfire ignition can develop faster than sparse satellite revisit cycles and

21manual reports~\cite{hastie2009}. Dense ground networks provide local measurements

21manual reports~\cite{giglio2003,schroeder2014}. Dense ground networks provide local measurements

22but create a difficult systems trade-off: radios consume most of a node's energy,

23yet delayed communication can hide the earliest evidence~\cite{wilkinson2016}.

23yet delayed communication can hide the earliest evidence~\cite{dampage2022,adumanu2018}.

Reject Always allow Approve

Ask AI to help with your document...

Prompts gpt-5.6-sol

Logs 4.3s 105% 1of 2

EdgeSense: Energy-Aware Wildfire Detection with
Collaborative Sensor Networks

Nadia Flores, Min-jun Lee, and Caleb Morgan
Center for Resilient Computing, Cascadia Institute of Technology
Seattle, WA, USA {nflores,mjlee,cmorgan}@example.edu

Fig. 1. EdgeSense performs local triage and requests peer confirmation only for ambiguous windows.

Index Terms—edge computing, environmental sensing, wildfire, TinyML, sensor networks

I. INTRODUCTION

II. SYSTEM DESIGN

III. DEPLOYMENT AND EVALUATION

ℒ = −w₊y log p − w₋(1−y) log(1−p) + λ∥θ∥²₂.(1)

TABLE I
Field evaluation results.

Method	Recall	FA/wk	Latency	Energy
Periodic stream	.957	1.8	72 s	100%
Fixed threshold	.876	3.4	61 s	41%
Ungated TCN	.946	1.1	58 s	52%
EdgeSense	.941	0.7	54 s	37%

Fig. 2. Cumulative detection performance remained stable across the deployment.

IV. RESULTS

V. ABLATIONS, SAFETY, AND LIMITATIONS

VI. CONCLUSION

Selective communication can extend unattended sensing without hiding early signals . The next deployment will test transfer across biomes and signed over-the-air model updates.

REFERENCES

[2]W. Schroeder, P. Oliva, L. Giglio, and I. A. Csiszar, “The new VIIRS 375 m active fire detection data product,” Remote Sensing of Environment, vol. 143, pp. 85–96, 2014.

[6]S. Bai, J. Z. Kolter, and V. Koltun, “An empirical evaluation of generic convolutional and recurrent networks for sequence modeling,” arXiv:1803.01271, 2018.

[8]P. P. Ray, “A review on TinyML: State-of-the-art and prospects,” Journal of King Saud University - Computer and Information Sciences, vol. 34, no. 4, pp. 1595–1623, 2022.

[9]Y. Geifman and R. El-Yaniv, “Selective classification for deep neural networks,” arXiv:1705.08500, 2017.

Stale

references.bib

1@article{giglio2003,

2 title = {An Enhanced Contextual Fire Detection Algorithm for MODIS},

3 year = {2003},

4}

6@article{schroeder2014,

7 title = {The New VIIRS 375 m Active Fire Detection Data Product},

8 year = {2014},

9}

11@article{dampage2022,

12 title = {Forest Fire Detection System Using Wireless Sensor Networks},

13 year = {2022},

14}

16@article{adumanu2018,

17 title = {Energy-Harvesting Wireless Sensor Networks: A Review},

18 year = {2018},

19}

21@article{adelantado2017,

22 title = {Understanding the Limits of LoRaWAN},

23 year = {2017},

24}

26@article{bai2018,

27 title = {An Empirical Evaluation of Generic Convolutional Networks},

28 year = {2018},

29}

31@article{jacob2018,

32 title = {Quantization and Training of Neural Networks},

33 year = {2018},

34}

36@article{ray2022,

37 title = {A Review on TinyML},

38 year = {2022},

39}

41@article{geifman2017,

42 title = {Selective Classification for Deep Neural Networks},

43 year = {2017},

44}

□▭○◯◇▱TΣ

Drag Shapes to Move · Drag Handles to Connect · Space + Drag to Pan · Double-Click to Edit Text

＋−⌗

Output Probabilities

Softmax

Linear

Add & Norm

Feed Forward

Add & Norm

Multi-Head Attention

N×

Add & Norm

Feed Forward

Add & Norm

Multi-Head Attention

Add & Norm

Masked Multi-Head
Attention

N×

Positional Encoding

Input Embedding

Inputs

Positional Encoding

Output Embedding

Outputs (shifted right)

Snippets　□　○　→　—　{ }

1\definecolor{c0F172A}{HTML}{0F172A}

2\definecolor{c1E293B}{HTML}{1E293B}

3\definecolor{cC7C7CC}{HTML}{C7C7CC}

4\definecolor{cCDEDD0}{HTML}{CDEDD0}

5\definecolor{cCFE8F8}{HTML}{CFE8F8}

6\definecolor{cDAD2F0}{HTML}{DAD2F0}

7\definecolor{cE9E9EC}{HTML}{E9E9EC}

8\definecolor{cEEF2C3}{HTML}{EEF2C3}

9\definecolor{cF9D7D9}{HTML}{F9D7D9}

10\definecolor{cFDE3C7}{HTML}{FDE3C7}

11\definecolor{cFFFFFF}{HTML}{FFFFFF}

12\begin{tikzpicture}[>={Triangle[length=0.313cm,width=0.313cm]}]

  \node (n1_mds37) at (6.25,-21.75) [text=c0F172A, font=\rmfamily\fontsize{10}{12}\selectfont, inner sep=0pt, outer sep=0pt, minimum width=4.25cm, minimum height=1cm] {Inputs};

  \node (n2_hnw3j) at (6.25,-20.075) [draw=c1E293B, line width=0.025cm, fill=cF9D7D9, rounded corners=0.1cm, text=c0F172A, font=\rmfamily\fontsize{10}{12}\selectfont, inner sep=0pt, outer sep=0pt, minimum width=4.25cm, minimum height=1.15cm] {Input Embedding};

  \node (n3_x9vjf) at (4.25,-18.175) [circle, draw=c1E293B, line width=0.025cm, fill=cFFFFFF, text=c0F172A, font=\rmfamily\fontsize{10}{12}\selectfont, inner sep=0pt, outer sep=0pt, minimum width=0.85cm, minimum height=0.85cm] {};

  \node (n4_aa0b6) at (6.25,-18.175) [circle, draw=c1E293B, line width=0.025cm, fill=cFFFFFF, text=c0F172A, font=\rmfamily\fontsize{10}{12}\selectfont, inner sep=0pt, outer sep=0pt, minimum width=0.85cm, minimum height=0.85cm] {+};

  \node (n5_lbeum) at (2.625,-19.375) [text=c0F172A, font=\rmfamily\fontsize{10}{12}\selectfont, inner sep=0pt, outer sep=0pt, minimum width=3.5cm, minimum height=1cm] {Positional Encoding};

  \node (n6_gr85r) at (6.25,-16.325) [draw=c1E293B, line width=0.025cm, fill=cFDE3C7, rounded corners=0.1cm, text=c0F172A, font=\rmfamily\fontsize{10}{12}\selectfont, inner sep=0pt, outer sep=0pt, minimum width=4.25cm, minimum height=1.15cm] {Multi-Head Attention};

  \node (n7_it3d0) at (6.25,-14.575) [draw=c1E293B, line width=0.025cm, fill=cEEF2C3, rounded corners=0.1cm, text=c0F172A, font=\rmfamily\fontsize{10}{12}\selectfont, inner sep=0pt, outer sep=0pt, minimum width=4.25cm, minimum height=1.15cm] {Add \& Norm};

  \node (n8_0ae9p) at (6.25,-12.575) [draw=c1E293B, line width=0.025cm, fill=cCFE8F8, rounded corners=0.1cm, text=c0F172A, font=\rmfamily\fontsize{10}{12}\selectfont, inner sep=0pt, outer sep=0pt, minimum width=4.25cm, minimum height=1.15cm] {Feed Forward};

  \node (n9_31jhg) at (6.25,-10.825) [draw=c1E293B, line width=0.025cm, fill=cEEF2C3, rounded corners=0.1cm, text=c0F172A, font=\rmfamily\fontsize{10}{12}\selectfont, inner sep=0pt, outer sep=0pt, minimum width=4.25cm, minimum height=1.15cm] {Add \& Norm};

  \node (n11_3mv5b) at (1.875,-13.575) [text=c0F172A, font=\rmfamily\fontsize{10}{12}\selectfont, inner sep=0pt, outer sep=0pt, minimum width=1.25cm, minimum height=0.75cm] {N×};

  \node (n12_y6hil) at (16.25,-21.75) [text=c0F172A, font=\rmfamily\fontsize{10}{12}\selectfont, inner sep=0pt, outer sep=0pt, minimum width=4.25cm, minimum height=1cm] {Outputs (shifted right)};

  \node (n13_oukbf) at (16.25,-20.075) [draw=c1E293B, line width=0.025cm, fill=cF9D7D9, rounded corners=0.1cm, text=c0F172A, font=\rmfamily\fontsize{10}{12}\selectfont, inner sep=0pt, outer sep=0pt, minimum width=4.25cm, minimum height=1.15cm] {Output Embedding};

  \node (n14_e6m10) at (16.25,-18.175) [circle, draw=c1E293B, line width=0.025cm, fill=cFFFFFF, text=c0F172A, font=\rmfamily\fontsize{10}{12}\selectfont, inner sep=0pt, outer sep=0pt, minimum width=0.85cm, minimum height=0.85cm] {+};

  \node (n15_te7fn) at (18.25,-18.175) [circle, draw=c1E293B, line width=0.025cm, fill=cFFFFFF, text=c0F172A, font=\rmfamily\fontsize{10}{12}\selectfont, inner sep=0pt, outer sep=0pt, minimum width=0.85cm, minimum height=0.85cm] {};

  \node (n16_otz7n) at (19.875,-19.375) [text=c0F172A, font=\rmfamily\fontsize{10}{12}\selectfont, inner sep=0pt, outer sep=0pt, minimum width=3.5cm, minimum height=1cm] {Positional Encoding};

  \node (n17_nw4kz) at (16.25,-16.325) [draw=c1E293B, line width=0.025cm, fill=cFDE3C7, rounded corners=0.1cm, text=c0F172A, font=\rmfamily\fontsize{10}{12}\selectfont, inner sep=0pt, outer sep=0pt, minimum width=4.25cm, minimum height=1.15cm] {Masked Multi-Head Attention};

  \node (n18_feep8) at (16.25,-14.575) [draw=c1E293B, line width=0.025cm, fill=cEEF2C3, rounded corners=0.1cm, text=c0F172A, font=\rmfamily\fontsize{10}{12}\selectfont, inner sep=0pt, outer sep=0pt, minimum width=4.25cm, minimum height=1.15cm] {Add \& Norm};

  \node (n19_9lw0g) at (16.25,-12.575) [draw=c1E293B, line width=0.025cm, fill=cFDE3C7, rounded corners=0.1cm, text=c0F172A, font=\rmfamily\fontsize{10}{12}\selectfont, inner sep=0pt, outer sep=0pt, minimum width=4.25cm, minimum height=1.15cm] {Multi-Head Attention};

  \node (n20_lz6h6) at (16.25,-10.825) [draw=c1E293B, line width=0.025cm, fill=cEEF2C3, rounded corners=0.1cm, text=c0F172A, font=\rmfamily\fontsize{10}{12}\selectfont, inner sep=0pt, outer sep=0pt, minimum width=4.25cm, minimum height=1.15cm] {Add \& Norm};

  \node (n21_iyi8d) at (16.25,-8.825) [draw=c1E293B, line width=0.025cm, fill=cCFE8F8, rounded corners=0.1cm, text=c0F172A, font=\rmfamily\fontsize{10}{12}\selectfont, inner sep=0pt, outer sep=0pt, minimum width=4.25cm, minimum height=1.15cm] {Feed Forward};

  \node (n22_hapki) at (16.25,-7.075) [draw=c1E293B, line width=0.025cm, fill=cEEF2C3, rounded corners=0.1cm, text=c0F172A, font=\rmfamily\fontsize{10}{12}\selectfont, inner sep=0pt, outer sep=0pt, minimum width=4.25cm, minimum height=1.15cm] {Add \& Norm};

  \node (n24_qwbl3) at (19.375,-11.825) [text=c0F172A, font=\rmfamily\fontsize{10}{12}\selectfont, inner sep=0pt, outer sep=0pt, minimum width=1.25cm, minimum height=0.75cm] {N×};

  \node (n25_isnp1) at (16.25,-4.8) [draw=c1E293B, line width=0.025cm, fill=cDAD2F0, rounded corners=0.1cm, text=c0F172A, font=\rmfamily\fontsize{10}{12}\selectfont, inner sep=0pt, outer sep=0pt, minimum width=4.25cm, minimum height=1.1cm] {Linear};

  \node (n26_ggail) at (16.25,-2.8) [draw=c1E293B, line width=0.025cm, fill=cCDEDD0, rounded corners=0.1cm, text=c0F172A, font=\rmfamily\fontsize{10}{12}\selectfont, inner sep=0pt, outer sep=0pt, minimum width=4.25cm, minimum height=1.1cm] {Softmax};

  \node (n27_76g5v) at (16.25,-0.875) [text=c0F172A, font=\rmfamily\fontsize{10}{12}\selectfont, inner sep=0pt, outer sep=0pt, minimum width=4.5cm, minimum height=1.25cm] {Output Probabilities};

38 \begin{scope}[on background layer]

    \node (n10_ma9el) at (6.25,-13.575) [draw=cC7C7CC, line width=0.025cm, fill=cE9E9EC, rounded corners=0.4cm, text=c0F172A, font=\rmfamily\fontsize{10}{12}\selectfont, inner sep=0pt, outer sep=0pt, minimum width=5.5cm, minimum height=7.65cm] {};

    \node (n23_egiii) at (16.25,-11.7) [draw=cC7C7CC, line width=0.025cm, fill=cE9E9EC, rounded corners=0.4cm, text=c0F172A, font=\rmfamily\fontsize{10}{12}\selectfont, inner sep=0pt, outer sep=0pt, minimum width=5.5cm, minimum height=11.4cm] {};

    \draw[->, line width=0.05cm, rounded corners=0.125cm] (6.25,-21.25) -- (6.25,-20.75) -- (6.25,-21.15) -- (6.25,-20.65);

42 \draw[->, line width=0.05cm, rounded corners=0.125cm] (6.25,-19.5) -- (6.25,-19) -- (6.25,-19.1) -- (6.25,-18.6);

43 \draw[->, line width=0.05cm] (n3_x9vjf.east) to[out=0, in=180] (n4_aa0b6.west);

    \draw[->, line width=0.05cm, rounded corners=0.125cm] (6.25,-17.75) -- (6.25,-17.25) -- (6.25,-17.4) -- (6.25,-16.9);

    \draw[->, line width=0.05cm, rounded corners=0.125cm] (6.25,-15.75) -- (6.25,-15.25) -- (6.25,-15.65) -- (6.25,-15.15);

46 \draw[->, line width=0.05cm, rounded corners=0.125cm] (6.25,-14) -- (6.25,-13.5) -- (6.25,-13.65) -- (6.25,-13.15);

47 \draw[->, line width=0.05cm, rounded corners=0.125cm] (6.25,-12) -- (6.25,-11.5) -- (6.25,-11.9) -- (6.25,-11.4);

    \draw[->, line width=0.05cm, rounded corners=0.125cm] (16.25,-21.25) -- (16.25,-20.75) -- (16.25,-21.15) -- (16.25,-20.65);

    \draw[->, line width=0.05cm, rounded corners=0.125cm] (16.25,-19.5) -- (16.25,-19) -- (16.25,-19.1) -- (16.25,-18.6);

50 \draw[->, line width=0.05cm] (n15_te7fn.west) to[out=180, in=0] (n14_e6m10.east);

    \draw[->, line width=0.05cm, rounded corners=0.125cm] (16.25,-17.75) -- (16.25,-17.25) -- (16.25,-17.4) -- (16.25,-16.9);

    \draw[->, line width=0.05cm, rounded corners=0.125cm] (16.25,-15.75) -- (16.25,-15.25) -- (16.25,-15.65) -- (16.25,-15.15);

    \draw[->, line width=0.05cm, rounded corners=0.125cm] (16.25,-14) -- (16.25,-13.5) -- (16.25,-13.65) -- (16.25,-13.15);

    \draw[->, line width=0.05cm, rounded corners=0.125cm] (16.25,-12) -- (16.25,-11.5) -- (16.25,-11.9) -- (16.25,-11.4);

    \draw[->, line width=0.05cm, rounded corners=0.125cm] (16.25,-10.25) -- (16.25,-9.75) -- (16.25,-9.9) -- (16.25,-9.4);

    \draw[->, line width=0.05cm, rounded corners=0.125cm] (16.25,-8.25) -- (16.25,-7.75) -- (16.25,-8.15) -- (16.25,-7.65);

    \draw[->, line width=0.05cm, rounded corners=0.125cm] (16.25,-6.5) -- (16.25,-6) -- (16.25,-5.925) -- (16.25,-5.85) -- (16.25,-5.35);

    \draw[->, line width=0.05cm, rounded corners=0.125cm] (16.25,-4.25) -- (16.25,-3.75) -- (16.25,-3.85) -- (16.25,-3.35);

59 \draw[->, line width=0.05cm, rounded corners=0.125cm] (16.25,-2.25) -- (16.25,-1.75) -- (16.25,-2) -- (16.25,-1.5);

    \draw[->, line width=0.05cm, rounded corners=0.125cm] (8.375,-10.825) -- (8.875,-10.825) -- (11.25,-10.825) -- (11.25,-12.575) -- (13.625,-12.575) -- (14.125,-12.575);

    \draw[->, line width=0.05cm, rounded corners=0.125cm] (5.825,-18.175) -- (5.325,-18.175) -- (3.625,-18.175) -- (3.625,-14.575) -- (4.125,-14.575);

    \draw[->, line width=0.05cm, rounded corners=0.125cm] (4.125,-14.575) -- (4.1,-14.575) -- (3.625,-14.575) -- (3.625,-10.825) -- (4.125,-10.825);

    \draw[->, line width=0.05cm, rounded corners=0.125cm] (16.675,-18.175) -- (17.175,-18.175) -- (18.875,-18.175) -- (18.875,-14.575) -- (18.375,-14.575);

    \draw[->, line width=0.05cm, rounded corners=0.125cm] (18.375,-14.575) -- (18.875,-14.575) -- (18.875,-10.825) -- (18.4,-10.825) -- (18.375,-10.825);

    \draw[->, line width=0.05cm, rounded corners=0.125cm] (18.375,-10.825) -- (18.875,-10.825) -- (18.875,-7.075) -- (18.4,-7.075) -- (18.375,-7.075);

66 \end{scope}

67\end{tikzpicture}

PREVIEWPNG scale2x　⌄Background

Output Probabilities

Softmax

Linear

Add & Norm

Feed Forward

Add & Norm

Multi-Head Attention

N×

Add & Norm

Feed Forward

Add & Norm

Multi-Head Attention

Add & Norm

Masked Multi-Head
Attention

N×

Positional Encoding

Input Embedding

Inputs

Positional Encoding

Output Embedding

Outputs (shifted right)

Compiling...

Import 6

↕ TECTONICdiagram

DiagramUpdated today

↕ TECTONICCatalyst Screening Data Report

DocumentUpdated Jul 15

↕ TECTONICAlex Chen - Google Resume

ResumeUpdated Jul 15

↕ TECTONICSleep and Memory Consolidation — Evidence Map

DocumentUpdated Jul 14

↕ TECTONICEdgeSense: Energy Aware Wildfire Detection

DocumentUpdated Jul 13

↕ TECTONICNeural Operators for Parametric PDEs

DocumentUpdated Jul 13

↕ TECTONICTheo Martins — HCI Researcher Resume

ResumeUpdated Jul 12

↕ TECTONICieee-journal

DocumentUpdated Jul 12

Oleafly›diagram

◉　prajwal-svm

main.tex　×

↶　↷　T⌄　 B　I　U　 ‹›　🔗　@　◇　✳　❞　▧　▦　⋯

ⓘ　⌕

Snippets　□　○　→　—　{ }

1\definecolor{c0F172A}{HTML}{0F172A}

2\definecolor{c1E293B}{HTML}{1E293B}

3\definecolor{cC7C7CC}{HTML}{C7C7CC}

4\definecolor{cCDEDD0}{HTML}{CDEDD0}

5\definecolor{cCFE8F8}{HTML}{CFE8F8}

6\definecolor{cDAD2F0}{HTML}{DAD2F0}

7\definecolor{cE9E9EC}{HTML}{E9E9EC}

8\definecolor{cEEF2C3}{HTML}{EEF2C3}

9\definecolor{cF9D7D9}{HTML}{F9D7D9}

10\definecolor{cFDE3C7}{HTML}{FDE3C7}

11\definecolor{cFFFFFF}{HTML}{FFFFFF}

12\begin{tikzpicture}[>={Triangle[length=0.313cm,width=0.313cm]}]

  \node (n1_mds37) at (6.25,-21.75) [text=c0F172A, font=\rmfamily\fontsize{10}{12}\selectfont, inner sep=0pt, outer sep=0pt, minimum width=4.25cm, minimum height=1cm] {Inputs};

  \node (n2_hnw3j) at (6.25,-20.075) [draw=c1E293B, line width=0.025cm, fill=cF9D7D9, rounded corners=0.1cm, text=c0F172A, font=\rmfamily\fontsize{10}{12}\selectfont, inner sep=0pt, outer sep=0pt, minimum width=4.25cm, minimum height=1.15cm] {Input Embedding};

  \node (n3_x9vjf) at (4.25,-18.175) [circle, draw=c1E293B, line width=0.025cm, fill=cFFFFFF, text=c0F172A, font=\rmfamily\fontsize{10}{12}\selectfont, inner sep=0pt, outer sep=0pt, minimum width=0.85cm, minimum height=0.85cm] {};

  \node (n4_aa0b6) at (6.25,-18.175) [circle, draw=c1E293B, line width=0.025cm, fill=cFFFFFF, text=c0F172A, font=\rmfamily\fontsize{10}{12}\selectfont, inner sep=0pt, outer sep=0pt, minimum width=0.85cm, minimum height=0.85cm] {+};

  \node (n5_lbeum) at (2.625,-19.375) [text=c0F172A, font=\rmfamily\fontsize{10}{12}\selectfont, inner sep=0pt, outer sep=0pt, minimum width=3.5cm, minimum height=1cm] {Positional Encoding};

  \node (n6_gr85r) at (6.25,-16.325) [draw=c1E293B, line width=0.025cm, fill=cFDE3C7, rounded corners=0.1cm, text=c0F172A, font=\rmfamily\fontsize{10}{12}\selectfont, inner sep=0pt, outer sep=0pt, minimum width=4.25cm, minimum height=1.15cm] {Multi-Head Attention};

  \node (n7_it3d0) at (6.25,-14.575) [draw=c1E293B, line width=0.025cm, fill=cEEF2C3, rounded corners=0.1cm, text=c0F172A, font=\rmfamily\fontsize{10}{12}\selectfont, inner sep=0pt, outer sep=0pt, minimum width=4.25cm, minimum height=1.15cm] {Add \& Norm};

  \node (n8_0ae9p) at (6.25,-12.575) [draw=c1E293B, line width=0.025cm, fill=cCFE8F8, rounded corners=0.1cm, text=c0F172A, font=\rmfamily\fontsize{10}{12}\selectfont, inner sep=0pt, outer sep=0pt, minimum width=4.25cm, minimum height=1.15cm] {Feed Forward};

  \node (n9_31jhg) at (6.25,-10.825) [draw=c1E293B, line width=0.025cm, fill=cEEF2C3, rounded corners=0.1cm, text=c0F172A, font=\rmfamily\fontsize{10}{12}\selectfont, inner sep=0pt, outer sep=0pt, minimum width=4.25cm, minimum height=1.15cm] {Add \& Norm};

  \node (n11_3mv5b) at (1.875,-13.575) [text=c0F172A, font=\rmfamily\fontsize{10}{12}\selectfont, inner sep=0pt, outer sep=0pt, minimum width=1.25cm, minimum height=0.75cm] {N×};

  \node (n12_y6hil) at (16.25,-21.75) [text=c0F172A, font=\rmfamily\fontsize{10}{12}\selectfont, inner sep=0pt, outer sep=0pt, minimum width=4.25cm, minimum height=1cm] {Outputs (shifted right)};

  \node (n13_oukbf) at (16.25,-20.075) [draw=c1E293B, line width=0.025cm, fill=cF9D7D9, rounded corners=0.1cm, text=c0F172A, font=\rmfamily\fontsize{10}{12}\selectfont, inner sep=0pt, outer sep=0pt, minimum width=4.25cm, minimum height=1.15cm] {Output Embedding};

  \node (n14_e6m10) at (16.25,-18.175) [circle, draw=c1E293B, line width=0.025cm, fill=cFFFFFF, text=c0F172A, font=\rmfamily\fontsize{10}{12}\selectfont, inner sep=0pt, outer sep=0pt, minimum width=0.85cm, minimum height=0.85cm] {+};

  \node (n15_te7fn) at (18.25,-18.175) [circle, draw=c1E293B, line width=0.025cm, fill=cFFFFFF, text=c0F172A, font=\rmfamily\fontsize{10}{12}\selectfont, inner sep=0pt, outer sep=0pt, minimum width=0.85cm, minimum height=0.85cm] {};

  \node (n16_otz7n) at (19.875,-19.375) [text=c0F172A, font=\rmfamily\fontsize{10}{12}\selectfont, inner sep=0pt, outer sep=0pt, minimum width=3.5cm, minimum height=1cm] {Positional Encoding};

  \node (n17_nw4kz) at (16.25,-16.325) [draw=c1E293B, line width=0.025cm, fill=cFDE3C7, rounded corners=0.1cm, text=c0F172A, font=\rmfamily\fontsize{10}{12}\selectfont, inner sep=0pt, outer sep=0pt, minimum width=4.25cm, minimum height=1.15cm] {Masked Multi-Head Attention};

  \node (n18_feep8) at (16.25,-14.575) [draw=c1E293B, line width=0.025cm, fill=cEEF2C3, rounded corners=0.1cm, text=c0F172A, font=\rmfamily\fontsize{10}{12}\selectfont, inner sep=0pt, outer sep=0pt, minimum width=4.25cm, minimum height=1.15cm] {Add \& Norm};

  \node (n19_9lw0g) at (16.25,-12.575) [draw=c1E293B, line width=0.025cm, fill=cFDE3C7, rounded corners=0.1cm, text=c0F172A, font=\rmfamily\fontsize{10}{12}\selectfont, inner sep=0pt, outer sep=0pt, minimum width=4.25cm, minimum height=1.15cm] {Multi-Head Attention};

  \node (n20_lz6h6) at (16.25,-10.825) [draw=c1E293B, line width=0.025cm, fill=cEEF2C3, rounded corners=0.1cm, text=c0F172A, font=\rmfamily\fontsize{10}{12}\selectfont, inner sep=0pt, outer sep=0pt, minimum width=4.25cm, minimum height=1.15cm] {Add \& Norm};

  \node (n21_iyi8d) at (16.25,-8.825) [draw=c1E293B, line width=0.025cm, fill=cCFE8F8, rounded corners=0.1cm, text=c0F172A, font=\rmfamily\fontsize{10}{12}\selectfont, inner sep=0pt, outer sep=0pt, minimum width=4.25cm, minimum height=1.15cm] {Feed Forward};

  \node (n22_hapki) at (16.25,-7.075) [draw=c1E293B, line width=0.025cm, fill=cEEF2C3, rounded corners=0.1cm, text=c0F172A, font=\rmfamily\fontsize{10}{12}\selectfont, inner sep=0pt, outer sep=0pt, minimum width=4.25cm, minimum height=1.15cm] {Add \& Norm};

  \node (n24_qwbl3) at (19.375,-11.825) [text=c0F172A, font=\rmfamily\fontsize{10}{12}\selectfont, inner sep=0pt, outer sep=0pt, minimum width=1.25cm, minimum height=0.75cm] {N×};

  \node (n25_isnp1) at (16.25,-4.8) [draw=c1E293B, line width=0.025cm, fill=cDAD2F0, rounded corners=0.1cm, text=c0F172A, font=\rmfamily\fontsize{10}{12}\selectfont, inner sep=0pt, outer sep=0pt, minimum width=4.25cm, minimum height=1.1cm] {Linear};

  \node (n26_ggail) at (16.25,-2.8) [draw=c1E293B, line width=0.025cm, fill=cCDEDD0, rounded corners=0.1cm, text=c0F172A, font=\rmfamily\fontsize{10}{12}\selectfont, inner sep=0pt, outer sep=0pt, minimum width=4.25cm, minimum height=1.1cm] {Softmax};

  \node (n27_76g5v) at (16.25,-0.875) [text=c0F172A, font=\rmfamily\fontsize{10}{12}\selectfont, inner sep=0pt, outer sep=0pt, minimum width=4.5cm, minimum height=1.25cm] {Output Probabilities};

38 \begin{scope}[on background layer]

    \node (n10_ma9el) at (6.25,-13.575) [draw=cC7C7CC, line width=0.025cm, fill=cE9E9EC, rounded corners=0.4cm, text=c0F172A, font=\rmfamily\fontsize{10}{12}\selectfont, inner sep=0pt, outer sep=0pt, minimum width=5.5cm, minimum height=7.65cm] {};

    \node (n23_egiii) at (16.25,-11.7) [draw=cC7C7CC, line width=0.025cm, fill=cE9E9EC, rounded corners=0.4cm, text=c0F172A, font=\rmfamily\fontsize{10}{12}\selectfont, inner sep=0pt, outer sep=0pt, minimum width=5.5cm, minimum height=11.4cm] {};

    \draw[->, line width=0.05cm, rounded corners=0.125cm] (6.25,-21.25) -- (6.25,-20.75) -- (6.25,-21.15) -- (6.25,-20.65);

42 \draw[->, line width=0.05cm, rounded corners=0.125cm] (6.25,-19.5) -- (6.25,-19) -- (6.25,-19.1) -- (6.25,-18.6);

43 \draw[->, line width=0.05cm] (n3_x9vjf.east) to[out=0, in=180] (n4_aa0b6.west);

    \draw[->, line width=0.05cm, rounded corners=0.125cm] (6.25,-17.75) -- (6.25,-17.25) -- (6.25,-17.4) -- (6.25,-16.9);

    \draw[->, line width=0.05cm, rounded corners=0.125cm] (6.25,-15.75) -- (6.25,-15.25) -- (6.25,-15.65) -- (6.25,-15.15);

46 \draw[->, line width=0.05cm, rounded corners=0.125cm] (6.25,-14) -- (6.25,-13.5) -- (6.25,-13.65) -- (6.25,-13.15);

47 \draw[->, line width=0.05cm, rounded corners=0.125cm] (6.25,-12) -- (6.25,-11.5) -- (6.25,-11.9) -- (6.25,-11.4);

    \draw[->, line width=0.05cm, rounded corners=0.125cm] (16.25,-21.25) -- (16.25,-20.75) -- (16.25,-21.15) -- (16.25,-20.65);

    \draw[->, line width=0.05cm, rounded corners=0.125cm] (16.25,-19.5) -- (16.25,-19) -- (16.25,-19.1) -- (16.25,-18.6);

50 \draw[->, line width=0.05cm] (n15_te7fn.west) to[out=180, in=0] (n14_e6m10.east);

    \draw[->, line width=0.05cm, rounded corners=0.125cm] (16.25,-17.75) -- (16.25,-17.25) -- (16.25,-17.4) -- (16.25,-16.9);

    \draw[->, line width=0.05cm, rounded corners=0.125cm] (16.25,-15.75) -- (16.25,-15.25) -- (16.25,-15.65) -- (16.25,-15.15);

    \draw[->, line width=0.05cm, rounded corners=0.125cm] (16.25,-14) -- (16.25,-13.5) -- (16.25,-13.65) -- (16.25,-13.15);

    \draw[->, line width=0.05cm, rounded corners=0.125cm] (16.25,-12) -- (16.25,-11.5) -- (16.25,-11.9) -- (16.25,-11.4);

    \draw[->, line width=0.05cm, rounded corners=0.125cm] (16.25,-10.25) -- (16.25,-9.75) -- (16.25,-9.9) -- (16.25,-9.4);

    \draw[->, line width=0.05cm, rounded corners=0.125cm] (16.25,-8.25) -- (16.25,-7.75) -- (16.25,-8.15) -- (16.25,-7.65);

    \draw[->, line width=0.05cm, rounded corners=0.125cm] (16.25,-6.5) -- (16.25,-6) -- (16.25,-5.925) -- (16.25,-5.85) -- (16.25,-5.35);

    \draw[->, line width=0.05cm, rounded corners=0.125cm] (16.25,-4.25) -- (16.25,-3.75) -- (16.25,-3.85) -- (16.25,-3.35);

59 \draw[->, line width=0.05cm, rounded corners=0.125cm] (16.25,-2.25) -- (16.25,-1.75) -- (16.25,-2) -- (16.25,-1.5);

    \draw[->, line width=0.05cm, rounded corners=0.125cm] (8.375,-10.825) -- (8.875,-10.825) -- (11.25,-10.825) -- (11.25,-12.575) -- (13.625,-12.575) -- (14.125,-12.575);

    \draw[->, line width=0.05cm, rounded corners=0.125cm] (5.825,-18.175) -- (5.325,-18.175) -- (3.625,-18.175) -- (3.625,-14.575) -- (4.125,-14.575);

    \draw[->, line width=0.05cm, rounded corners=0.125cm] (4.125,-14.575) -- (4.1,-14.575) -- (3.625,-14.575) -- (3.625,-10.825) -- (4.125,-10.825);

    \draw[->, line width=0.05cm, rounded corners=0.125cm] (16.675,-18.175) -- (17.175,-18.175) -- (18.875,-18.175) -- (18.875,-14.575) -- (18.375,-14.575);

    \draw[->, line width=0.05cm, rounded corners=0.125cm] (18.375,-14.575) -- (18.875,-14.575) -- (18.875,-10.825) -- (18.4,-10.825) -- (18.375,-10.825);

    \draw[->, line width=0.05cm, rounded corners=0.125cm] (18.375,-10.825) -- (18.875,-10.825) -- (18.875,-7.075) -- (18.4,-7.075) -- (18.375,-7.075);

66 \end{scope}

67\end{tikzpicture}

□▭○◯◇▱TΣ

Drag Shapes to Move · Drag Handles to Connect · Space + Drag to Pan · Double-Click to Edit Text

＋−⌗

Output Probabilities

Softmax

Linear

Add & Norm

Feed Forward

Add & Norm

Multi-Head Attention

N×

Add & Norm

Feed Forward

Add & Norm

Multi-Head Attention

Add & Norm

Masked Multi-Head
Attention

N×

Positional Encoding

Input Embedding

Inputs

Positional Encoding

Output Embedding

Outputs (shifted right)

▤ Logs　✓ 1.4s⌗　−　131%⌄　＋　◐　↻　

Output Probabilities

Softmax

Linear

Add & Norm

Feed Forward

Add & Norm

Multi-Head Attention

N×

Add & Norm

Feed Forward

Add & Norm

Multi-Head Attention

Add & Norm

Masked Multi-Head
Attention

N×

Positional Encoding

Input Embedding

Inputs

Positional Encoding

Output Embedding

Outputs (shifted right)

✓Saved to figures/diagram.png

Save As:

diagram.png

Tags:

Where:📁 Desktop　⌃

Source Tree

.gitignore

main.tex

project.json

README.md

references.bib

refs.bib

Structure 38

Filter project map…

main.texmain.tex:19:1

Introductionmain.tex:19:1

System designmain.tex:26:1

fig:architecturemain.tex:43:8

System designmain.tex:26:1

Deployment and evaluationmain.tex:45:1

tab:resultsmain.tex:56:69

Deployment and evaluationmain.tex:45:1

equationmain.tex:50:1

Resultsmain.tex:65:1

figuremain.tex:71:1

Ablations, safety, and limitat…main.tex:81:1

Conclusionmain.tex:87:1

fairmain.tex:92:1

tinymlmain.tex:93:1

References 4

References · 1213Citations · 8Symbols · 4

Filter…

Unresolved citations 4

hastie2009main.tex:21

vaswani2017main.tex:28

Bibliography 1213

references.bib

lecun2015deep2015

Deep learning — Nature 521, 436–444

wilkinson20162016

The FAIR Guiding Principles for scientific…

warden20192019

TinyML: Machine Learning with Ultra-Low…

Citations in main.tex 8

hastie200921 · 67 · 89

wilkinson201623 · 46

vaswani201728 · 85

gelman201329 · 67

lundberg201748 · 83

Labels 4

fig:architecturemain.tex:43

tab:resultsmain.tex:56

equationmain.tex:50

figuremain.tex:71

main.tex

1\documentclass[conference]{IEEEtran}

2\usepackage{amsmath,amssymb,booktabs,graphicx,xcolor,tikz}

3\usepackage[hidelinks]{hyperref}

4\usetikzlibrary{positioning,arrows.meta,shapes.geometric}

5\title{EdgeSense: Energy-Aware Wildfire Detection with Collaborative Sensor Networks}

6\author{\IEEEauthorblockN{Nadia Flores, Min-jun Lee, and Caleb Morgan}

7\IEEEauthorblockA{Center for Resilient Computing, Cascadia Institute of Technology\\

8Seattle, WA, USA \quad \{nflores,mjlee,cmorgan\}@example.edu}}

9\begin{document}\maketitle

10\begin{abstract}

11We present EdgeSense, a low-power wildfire early-warning system that fuses thermal,

12particulate, humidity, and wind observations across a mesh of battery-powered

13nodes. A gated temporal model runs locally and transmits only uncertain windows~\cite{lecun2015deep}.

14In a 16-week controlled field deployment, EdgeSense detected 94.1\% of burn events

15at 0.7 false alarms per node-week while reducing radio energy by 63\% relative to

16periodic streaming. Results use a synthetic but realistic demo dataset.

17\end{abstract}

18\begin{IEEEkeywords}edge computing, environmental sensing, wildfire, TinyML, sensor networks\end{IEEEkeywords}

19\section{Introduction}

20Wildfire ignition can develop faster than sparse satellite revisit cycles and

21manual reports~\cite{hastie2009}. Dense ground networks provide local measurements but create a

22difficult systems trade-off: radios consume most of a node's energy, yet delaying

23communication can hide the earliest evidence~\cite{wilkinson2016}. EdgeSense moves triage to the node

24and treats transmission as a decision under uncertainty.

26\section{System design}

27Each node samples temperature, relative humidity, particulate matter, and wind

28once per minute~\cite{vaswani2017}. A 12\,kB quantized temporal convolutional network scores

29five-minute windows~\cite{gelman2013}. Scores below 0.25 are stored locally; scores between 0.25 and

300.70 trigger peer confirmation; scores above 0.70 trigger an immediate gateway

31packet.

32\begin{figure}[t]\centering

33\begin{tikzpicture}[font=\scriptsize,node distance=4mm,

34n/.style={draw,rounded corners,fill=blue!6,minimum width=18mm,minimum height=7mm},

35a/.style={-{Stealth[length=1.7mm]},thick}]

36\node[n] (s) {Sensors}; \node[n,right=of s] (f) {Feature buffer};

37\node[n,right=of f] (m) {Tiny model}; \node[n,below=of m] (p) {Peer vote};

38\node[n,left=of p] (g) {Gateway};

39\draw[a](s)--(f);\draw[a](f)--(m);\draw[a](m)--(p);\draw[a](p)--(g);

40\draw[a,bend left=25](m) to node[above]{high confidence}(g);

41\end{tikzpicture}

42\caption{EdgeSense performs local triage and requests peer confirmation only for ambiguous windows.}

43\label{fig:architecture}\end{figure}

45\section{Deployment and evaluation}

46We deployed 48 nodes across three ecological zones~\cite{wilkinson2016}. Controlled burns and heated

47aerosol challenges generated 186 positive windows; 11,420 background windows

48captured fog, dust, vehicle exhaust, and sensor maintenance~\cite{lundberg2017}. Splits were grouped

49by day to prevent temporal leakage.

50\begin{equation}

51\mathcal{L}=-w_+y\log p-w_-(1-y)\log(1-p)+\lambda\lVert\theta\rVert_2^2.

52\end{equation}

53We compare periodic streaming, fixed thresholds, an ungated neural baseline, and

54EdgeSense. The primary metrics are event recall, false alarms per node-week,

55median alert latency, and measured radio energy.

56\begin{table}[t]\centering\caption{Field evaluation results.}\label{tab:results}

57\begin{tabular}{@{}lrrrr@{}}\toprule

58Method & Recall & FA/wk & Latency & Energy\\\midrule

59Periodic stream & .957 & 1.8 & 72 s & 100\%\\

60Fixed threshold & .876 & 3.4 & 61 s & 41\%\\

61Ungated TCN & .946 & 1.1 & 58 s & 52\%\\

62\textbf{EdgeSense} & \textbf{.941} & \textbf{0.7} & \textbf{54 s} & \textbf{37\%}\\\bottomrule

63\end{tabular}\end{table}

65\section{Results}

66EdgeSense retains 98.3\% of the streaming baseline's recall while using 37\% of

67its radio energy~\cite{gelman2013}. Peer voting removes 31\% of fog-related false alarms~\cite{hastie2009}. At the

68median observed solar input, the modeled service interval rises from 11 to 29

69months. Performance degrades gracefully when one sensing channel is unavailable.

71\begin{figure}[t]\centering

72\begin{tikzpicture}[x=.72cm,y=.55cm,font=\scriptsize]

73\draw[->](0,0)--(7,0)node[right]{week};\draw[->](0,0)--(0,5)node[above]{recall};

74\draw[blue,very thick] plot coordinates{(0,.8)(1,1.6)(2,2.2)(3,2.8)(4,3.5)(5,4.0)(6,4.25)};

75\draw[orange,very thick,dashed] plot coordinates{(0,.7)(1,1.3)(2,1.9)(3,2.4)(4,2.8)(5,3.1)(6,3.25)};

76\node[blue] at (5.2,4.5){EdgeSense};\node[orange] at (5,2.6){threshold};

77\end{tikzpicture}

78\caption{Cumulative detection performance remained stable across the deployment.}

79\end{figure}

81\section{Ablations, safety, and limitations}

82Removing peer voting increases false alarms by 44\%; removing wind direction

83reduces recall by 3.8 points~\cite{lundberg2017}. EdgeSense is advisory: alerts require confirmation

84by the incident-management system, and nodes never autonomously dispatch a public

85warning~\cite{vaswani2017}. The deployment did not cover crown fires or winter conditions.

87\section{Conclusion}

88Selective communication can extend unattended sensing without hiding early

89signals~\cite{hastie2009}. The next deployment will test transfer across biomes and signed

90over-the-air model updates.

91\begin{thebibliography}{2}

92\bibitem{fair} M~\cite{wilkinson2016}. Wilkinson et al., \emph{The FAIR Guiding Principles}, \emph{Scientific Data}, 2016.

93\bibitem{tinyml} P. Warden and D. Situnayake, \emph{TinyML}. O'Reilly, 2019.

94\end{thebibliography}

95\end{document}

Ask AI

Key, author, or title…

ba2016Ba, Jimmy Lei and Kiros, Jamie Ryan and Hinton, Geoffrey E. · 2016…

bahdanau2015Bahdanau, Dzmitry and Cho, Kyunghyun and Bengio, Yoshua · 2015…

cheng2016Cheng, Jianpeng and Dong, Li and Lapata, Mirella · 2016 · Long S…

cho2014Cho, Kyunghyun and van Merriënboer, Bart and Gulcehre, Cagl…

gehring2017Gehring, Jonas and Auli, Michael and Grangier, David and Yarats…

hochreiter1997Hochreiter, Sepp and Schmidhuber, Jürgen · 1997 · Neural Com…

Find and add a new citation…

Add citation

DOI, arXiv id, URL, or a paper title…10.1038/nature14539Look up

Only the identifier or title is sent, to doi.org, arXiv, or Crossref.

Paste a DOI, an arXiv id, or a URL to fetch the entry directly, or type a title to search Crossref. Try one:

DOI: 10.1038/nature14539 arXiv: 1706.03762 Title: Attention is all you need

@article{lecun2015deep,
  author  = {LeCun, Yann and Bengio, Yoshua and Hinton, Geoffrey},
  title   = {Deep learning},
  journal = {Nature},
  volume  = 521,
  pages   = {436--444},
  year    = 2015,
  doi     = {10.1038/nature14539},
}

CancelAdd to .bib and cite

Added \cite{lecun2015deep} · references.bib

main.texmain.tex (Working Tree)

Working ⇆ Index

| 8 unchanged lines |

9\begin{document}\maketitle

10\begin{abstract}

11We present EdgeSense, a low-power wildfire early-warning system that fuses thermal,

12particulate, humidity, and wind observations across a mesh of battery-powered

13nodes. A gated temporal model runs locally and transmits only uncertain windows.

14In a 16-week controlled field deployment, EdgeSense detected 94.1\% of burn events

15at 0.7 false alarms per node-week while reducing radio energy by 63\% relative to

16periodic streaming. Results use a synthetic but realistic demo dataset.

17\end{abstract}

| 78 unchanged lines |

| 8 unchanged lines |

9\begin{document}\maketitle

10\begin{abstract}

11We present EdgeSense, a low-power wildfire early-warning system that fuses thermal,

12particulate, humidity, and wind observations across a mesh of battery-powered

13nodes. A gated temporal model runs locally and transmits only uncertain windows~\cite{lecun2015deep}.

14In a 16-week controlled field deployment, EdgeSense detected 94.1\% of burn events

15at 0.7 false alarms per node-week while reducing radio energy by 63\% relative to

16periodic streaming. Results use a synthetic but realistic demo dataset.

17\end{abstract}

| 78 unchanged lines |

1\documentclass[conference]{IEEEtran}

2\usepackage{amsmath,amssymb,booktabs,graphicx,xcolor,tikz}

3\usepackage[hidelinks]{hyperref}

4\usetikzlibrary{positioning,arrows.meta,shapes.geometric}

5\title{EdgeSense: Energy-Aware Wildfire Detection with Collaborative Sensor Networks}

6\author{\IEEEauthorblockN{Nadia Flores, Min-jun Lee, and Caleb Morgan}

7\IEEEauthorblockA{Center for Resilient Computing, Cascadia Institute of Technology\\

8Seattle, WA, USA \quad \{nflores,mjlee,cmorgan\}@example.edu}}

9\begin{document}\maketitle

10\begin{abstract}

11We present EdgeSense, a low-power wildfire early-warning system that fuses thermal,

12particulate, humidity, and wind observations across a mesh of battery-powered

13nodes. A gated temporal model runs locally and transmits only uncertain windows~\cite{lecun2015deep}.

14In a 16-week controlled field deployment, EdgeSense detected 94.1\% of burn events

15at 0.7 false alarms per node-week while reducing radio energy by 63\% relative to

16periodic streaming. Results use a synthetic but realistic demo dataset.

17\end{abstract}

18\begin{IEEEkeywords}edge computing, environmental sensing, wildfire, TinyML, sensor networks\end{IEEEkeywords}

19\section{Introduction}

20Wildfire ignition can develop faster than sparse satellite revisit cycles and

21manual reports~\cite{hastie2009}. Dense ground networks provide local measurements but create a

22difficult systems trade-off: radios consume most of a node's energy, yet delaying

23communication can hide the earliest evidence~\cite{wilkinson2016}. EdgeSense moves triage to the node

24and treats transmission as a decision under uncertainty.

26\section{System design}

27Each node samples temperature, relative humidity, particulate matter, and wind

28once per minute~\cite{vaswani2017}. A 12\,kB quantized temporal convolutional network scores

29five-minute windows~\cite{gelman2013}. Scores below 0.25 are stored locally; scores between 0.25 and

300.70 trigger peer confirmation; scores above 0.70 trigger an immediate gateway

31packet.

32\begin{figure}[t]\centering

33\begin{tikzpicture}[font=\scriptsize,node distance=4mm,

34n/.style={draw,rounded corners,fill=blue!6,minimum width=18mm,minimum height=7mm},

35a/.style={-{Stealth[length=1.7mm]},thick}]

36\node[n] (s) {Sensors}; \node[n,right=of s] (f) {Feature buffer};

37\node[n,right=of f] (m) {Tiny model}; \node[n,below=of m] (p) {Peer vote};

38\node[n,left=of p] (g) {Gateway};

39\draw[a](s)--(f);\draw[a](f)--(m);\draw[a](m)--(p);\draw[a](p)--(g);

40\draw[a,bend left=25](m) to node[above]{high confidence}(g);

41\end{tikzpicture}

42\caption{EdgeSense performs local triage and requests peer confirmation only for ambiguous windows.}

43\label{fig:architecture}\end{figure}

45\section{Deployment and evaluation}

46We deployed 48 nodes across three ecological zones~\cite{wilkinson2016}. Controlled burns and heated

47aerosol challenges generated 186 positive windows; 11,420 background windows

48captured fog, dust, vehicle exhaust, and sensor maintenance~\cite{lundberg2017}. Splits were grouped

49by day to prevent temporal leakage.

50\begin{equation}

51\mathcal{L}=-w_+y\log p-w_-(1-y)\log(1-p)+\lambda\lVert\theta\rVert_2^2.

52\end{equation}

53We compare periodic streaming, fixed thresholds, an ungated neural baseline, and

54EdgeSense. The primary metrics are event recall, false alarms per node-week,

55median alert latency, and measured radio energy.

56\begin{table}[t]\centering\caption{Field evaluation results.}\label{tab:results}

57\begin{tabular}{@{}lrrrr@{}}\toprule

58Method & Recall & FA/wk & Latency & Energy\\\midrule

59Periodic stream & .957 & 1.8 & 72 s & 100\%\\

60Fixed threshold & .876 & 3.4 & 61 s & 41\%\\

61Ungated TCN & .946 & 1.1 & 58 s & 52\%\\

62\textbf{EdgeSense} & \textbf{.941} & \textbf{0.7} & \textbf{54 s} & \textbf{37\%}\\\bottomrule

63\end{tabular}\end{table}

65\section{Results}

66EdgeSense retains 98.3\% of the streaming baseline's recall while using 37\% of

67its radio energy~\cite{gelman2013}. Peer voting removes 31\% of fog-related false alarms~\cite{hastie2009}. At the

68median observed solar input, the modeled service interval rises from 11 to 29

69months. Performance degrades gracefully when one sensing channel is unavailable.

71\begin{figure}[t]\centering

72\begin{tikzpicture}[x=.72cm,y=.55cm,font=\scriptsize]

73\draw[->](0,0)--(7,0)node[right]{week};\draw[->](0,0)--(0,5)node[above]{recall};

74\draw[blue,very thick] plot coordinates{(0,.8)(1,1.6)(2,2.2)(3,2.8)(4,3.5)(5,4.0)(6,4.25)};

75\draw[orange,very thick,dashed] plot coordinates{(0,.7)(1,1.3)(2,1.9)(3,2.4)(4,2.8)(5,3.1)(6,3.25)};

76\node[blue] at (5.2,4.5){EdgeSense};\node[orange] at (5,2.6){threshold};

77\end{tikzpicture}

78\caption{Cumulative detection performance remained stable across the deployment.}

79\end{figure}

81\section{Ablations, safety, and limitations}

82Removing peer voting increases false alarms by 44\%; removing wind direction

83reduces recall by 3.8 points~\cite{lundberg2017}. EdgeSense is advisory: alerts require confirmation

84by the incident-management system, and nodes never autonomously dispatch a public

85warning~\cite{vaswani2017}. The deployment did not cover crown fires or winter conditions.

87\section{Conclusion}

88Selective communication can extend unattended sensing without hiding early

89signals~\cite{hastie2009}. The next deployment will test transfer across biomes and signed

90over-the-air model updates.

91\begin{thebibliography}{2}

92\bibitem{fair} M~\cite{wilkinson2016}. Wilkinson et al., \emph{The FAIR Guiding Principles}, \emph{Scientific Data}, 2016.

93\bibitem{tinyml} P. Warden and D. Situnayake, \emph{TinyML}. O'Reilly, 2019.

94\end{thebibliography}

95\end{document}

Import 6

↕ MARKDOWNAlpine eDNA Pilot — Lab Notebook

DocumentUpdated Jul 31

↕ TECTONICMapping Pollinator Corridors — Research Poster

DocumentUpdated Jul 29

↕ TECTONICFederated Learning Data Flow

ImageUpdated Jul 29

↕ TECTONICCatalyst Screening Data Report

DocumentUpdated Jul 29

↕ TECTONICMangrove Canopy Drone Survey

DocumentUpdated Jul 28

Alex Chen

Senior Software Engineer

[email protected] · (650) 555-0142 · Mountain View, CA · alexchen.dev · github.com/alexchen

SUMMARY

Senior Software Engineer (L5) with 9+ years designing and operating large-scale distributed systems. Deep experience in backend infrastructure, performance, and reliability.

EXPERIENCE

Senior Software Engineer (L5)Google

Mountain View, CAMar 2020 — Present

Tech lead for a Search serving component handling 2M+ queries/second; cut p99 latency 38%.
Designed a globally replicated feature store on Spanner backing 40+ ML models.
Led migration of a 300-service fleet to a new RPC framework; reduced on-call pages 45%.
Mentored six engineers and ran the team’s design-review program.

Software Engineer (L4)Google

Mountain View, CAJul 2017 — Mar 2020

Built a real-time aggregation pipeline processing 8B events/day.
Cut batch-job cost 30% with sharding and incremental computation.

Software EngineerStripe

San Francisco, CAAug 2015 — Jun 2017

Shipped ledger and reconciliation services processing $60B+/year.
Reduced a reconciliation run from six hours to 25 minutes.

SELECTED PROJECTS

Ratelgithub.com/alexchen/ratel

Go, Raft, gRPC — distributed rate limiter doing 4M+ decisions/sec/node.

tqlgithub.com/alexchen/tql

Rust — typed query builder for Postgres with compile-time-checked SQL.

EDUCATION

M.S. Computer ScienceStanford University

B.S. Computer ScienceUniversity of Illinois Urbana-Champaign

SKILLS

Languages: C++, Go, Rust, Python, Java, SQL
Systems: Spanner, Bigtable, Kubernetes, Kafka, gRPC / Protobuf, Redis

↕ TECTONICSleep and Memory Consolidation — Evidence Map

DocumentUpdated Jul 28

↕ TECTONICUrban Heat Transect Field Protocol

DocumentUpdated Jul 27

↕ TECTONICNSF Progress Report — Year 2

DocumentUpdated Jul 27

↕ TYPSTArjun Rao — Computational Linguistics CV

DocumentUpdated Jul 11

↕ TECTONICOrganoid Response Profiles for Therapy Selection

DocumentUpdated Jul 11

↕ TECTONICSTAT 214 — Causal Inference Problem Set

DocumentUpdated Mar 3

↕ TECTONICDextrous Manipulation — Proposal

DocumentUpdated Jul 9

↕ TECTONICCivic Shade and Pedestrian Heat Exposure

DocumentUpdated Jul 8

↕ TECTONICCS 271 — Approximation Algorithms PS3

DocumentUpdated Jul 5

↕ TECTONICWeak-Lensing Mass Reconstruction of NCJ 1427

DocumentUpdated Jul 2

↕ TECTONICStatistical Consulting Report

DocumentUpdated Jun 25

OleaflyAlex Chen - Google Resume

prajwal-svm

main.tex

T⌄

1\documentclass[11pt,letterpaper]{article}

2\usepackage[T1]{fontenc}

3\usepackage[margin=0.5in]{geometry}

4\usepackage{titlesec}

5\usepackage{enumitem}

6\usepackage{hyperref}

8% ATS-friendly: single column, real selectable text, no tables-for-layout,

9% embedded subset fonts. Linear reading order so parsers extract cleanly.

10\setlength{\parindent}{0pt}

11\pagenumbering{gobble}

12\hypersetup{colorlinks=true, urlcolor=black, linkcolor=black}

14\titleformat{\section}{\large\bfseries\uppercase}{}{0em}{}[\vspace{2pt}\titlerule]

15\titlespacing*{\section}{0pt}{8pt}{4pt}

16\setlist[itemize]{leftmargin=14pt, itemsep=1pt, topsep=2pt, parsep=0pt}

18% role{Title}{Company}{Location}{Dates}

19\newcommand{\role}[4]{%

20 \textbf{#1} \hfill #2 \\

21 \textit{#3} \hfill \textit{#4}%

22}

24\begin{document}

26\begin{center}

27 {\Huge \textbf{Alex Chen}}\\[3pt]

28 \small

29 Senior Software Engineer\\[2pt]

30 \href{mailto:[email protected]}{[email protected]}\,$\cdot$\,

31 (650) 555-0142\,$\cdot$\,

32 Mountain View, CA\,$\cdot$\,

33 \href{https://alexchen.dev}{alexchen.dev}\,$\cdot$\,

34 \href{https://github.com/alexchen}{github.com/alexchen}\,$\cdot$\,

35 \href{https://linkedin.com/in/alexchen}{linkedin.com/in/alexchen}

36\end{center}

37\vspace{2pt}

39\section*{Summary}

40Senior Software Engineer (L5) with 9+ years designing and operating large-scale

41distributed systems. Deep experience in backend infrastructure, performance, and

42reliability, with a track record of shipping products used by hundreds of

43millions of users and mentoring engineers toward senior roles.

45\section*{Experience}

46\role{Senior Software Engineer (L5)}{Google}{Mountain View, CA}{Mar 2020 -- Present}

47\begin{itemize}

  \item Tech lead for a Search serving component handling 2M+ queries/second; drove a redesign that cut p99 latency 38\% and saved an estimated \$14M/year in compute.

  \item Designed and launched a globally-replicated feature store on Spanner backing 40+ ML models, adopted by 12 teams across Search and Ads.

  \item Led migration of a 300-service fleet to a new RPC framework, improving tail latency and reducing on-call pages by 45\%.

51 \item Mentored 6 engineers (2 promoted to senior); ran the team's design-review and readability programs.

52\end{itemize}

53\vspace{3pt}

54\role{Software Engineer (L4)}{Google}{Mountain View, CA}{Jul 2017 -- Mar 2020}

55\begin{itemize}

  \item Built a real-time aggregation pipeline (C++, Flume) processing 8B events/day for a Search-quality dashboard used org-wide.

57 \item Cut batch-job cost 30\% by reworking sharding and introducing incremental recomputation.

58\end{itemize}

59\vspace{3pt}

60\role{Software Engineer}{Stripe}{San Francisco, CA}{Aug 2015 -- Jun 2017}

61\begin{itemize}

62 \item Shipped core ledger and reconciliation services for a payments platform processing \$60B+/year.

63 \item Reduced a reconciliation run from 6 hours to 25 minutes via parallelization and a columnar store.

64\end{itemize}

66\section*{Selected Projects}

67\textbf{Ratel} \hfill \href{https://github.com/alexchen/ratel}{github.com/alexchen/ratel} \\

\textit{Go, Raft, gRPC} --- open-source distributed rate limiter doing 4M+ decisions/sec/node; 1.5k GitHub stars.\par\vspace{4pt}

69\textbf{tql} \hfill \href{https://github.com/alexchen/tql}{github.com/alexchen/tql} \\

70\textit{Rust} --- a typed query builder for Postgres with compile-time-checked SQL.

72\section*{Education}

73\textbf{M.S. Computer Science} \hfill Stanford University \\

74\textit{2013 -- 2015} \hfill \textit{Focus: Distributed Systems}\par\vspace{4pt}

75\textbf{B.S. Computer Science} \hfill University of Illinois Urbana-Champaign \\

76\textit{2009 -- 2013} \hfill \textit{GPA: 3.9 / 4.0}

78\section*{Skills}

79\textbf{Languages:} C++, Go, Rust, Python, Java, SQL \\

80\textbf{Systems:} Spanner, Bigtable, Kubernetes, Kafka, gRPC / Protobuf, Redis \\

81\textbf{Focus:} Distributed systems, performance, reliability (SLOs), system design, mentoring

83\end{document}

Logs 1.1s100%⌃　1　of 1　⌄

Compiling1/3 done

1 running · 1 queued

Language analysisCurrent project revision analyzed

DONE

CompilingProducing and verifying PDF output

RUNNING

Rendering PDFWaiting for verified compile output

QUEUED

Alex Chen

Senior Software Engineer

[email protected] · (650) 555-0142 · Mountain View, CA · alexchen.dev · github.com/alexchen

SUMMARY

Senior Software Engineer (L5) with 9+ years designing and operating large-scale distributed systems. Deep experience in backend infrastructure, performance, and reliability.

EXPERIENCE

Senior Software Engineer (L5)Google

Mountain View, CAMar 2020 — Present

Tech lead for a Search serving component handling 2M+ queries/second; cut p99 latency 38%.
Designed a globally replicated feature store on Spanner backing 40+ ML models.
Led migration of a 300-service fleet to a new RPC framework; reduced on-call pages 45%.
Mentored six engineers and ran the team’s design-review program.

Software Engineer (L4)Google

Mountain View, CAJul 2017 — Mar 2020

Built a real-time aggregation pipeline processing 8B events/day.
Cut batch-job cost 30% with sharding and incremental computation.

Software EngineerStripe

San Francisco, CAAug 2015 — Jun 2017

Shipped ledger and reconciliation services processing $60B+/year.
Reduced a reconciliation run from six hours to 25 minutes.

SELECTED PROJECTS

Ratelgithub.com/alexchen/ratel

Go, Raft, gRPC — distributed rate limiter doing 4M+ decisions/sec/node.

tqlgithub.com/alexchen/tql

Rust — typed query builder for Postgres with compile-time-checked SQL.

EDUCATION

M.S. Computer ScienceStanford University

B.S. Computer ScienceUniversity of Illinois Urbana-Champaign

SKILLS

Languages: C++, Go, Rust, Python, Java, SQL
Systems: Spanner, Bigtable, Kubernetes, Kafka, gRPC / Protobuf, Redis

Preflight

ATS readinessRun

AccessibilityRe-run

For research, government, and published PDFs

Checks screen-reader readiness against Section 508 / WCAG: missing alt text, document language, reading order, and whether the PDF is tagged.

82Access

Compiled output

PDF is missing a language and titleACCESSIBILITY

Not Section 508 / PDF-UA ready: this PDF is not taggedACCESSIBILITY

References & assetsRe-run

For research and multi-file documents

Finds undefined citations and cross-references, duplicate labels, and missing figures before they break your PDF at submission.

72Refs

3 citations have no bibliography entryREFERENCES · main.tex

main.tex

CodeVisual

Results

EdgeSense retains 98.3% of the streaming baseline’s recall while using 37% of its radio energy gelman2014. Peer voting removes 31% of fog-related false alarms hastie2009. At the median observed solar input, the modeled service interval rises from 11 to 29 months. Performance degrades gracefully when one sensing channel is unavailable.

Ablations, safety, and limitations

Removing peer voting increases false alarms by 44%; removing wind direction reduces recall by 3.8 points lundberg2017. EdgeSense is advisory: alerts require confirmation by the incident-management system.

1\documentclass[conference]{IEEEtran}

2\usepackage{amsmath,amssymb,booktabs,graphicx,xcolor,tikz}

3\usepackage[hidelinks]{hyperref}

4\usetikzlibrary{positioning,arrows.meta,shapes.geometric}

5\title{EdgeSense: Energy-Aware Wildfire Detection with Collaborative Sensor Networks}

6\author{\IEEEauthorblockN{Nadia Flores, Min-jun Lee, and Caleb Morgan}

7\IEEEauthorblockA{Center for Resilient Computing, Cascadia Institute of Technology\\

8Seattle, WA, USA \quad \{nflores,mjlee,cmorgan\}@example.edu}}

9\begin{document}\maketitle

10\begin{abstract}

11We present EdgeSense, a low-power wildfire early-warning system that fuses thermal,

12particulate, humidity, and wind observations across a mesh of battery-powered

13nodes. A gated temporal model runs locally and transmits only uncertain windows~\cite{lecun2015deep}.

14In a 16-week controlled field deployment, EdgeSense detected 94.1\% of burn events

15at 0.7 false alarms per node-week while reducing radio energy by 63\% relative to

16periodic streaming. Results use a synthetic but realistic demo dataset.

17\end{abstract}

18\begin{IEEEkeywords}edge computing, environmental sensing, wildfire, TinyML, sensor networks\end{IEEEkeywords}

19\section{Introduction}

20Wildfire ignition can develop faster than sparse satellite revisit cycles and

21manual reports~\cite{hastie2009}. Dense ground networks provide local measurements but create a

22difficult systems trade-off: radios consume most of a node's energy, yet delaying

23communication can hide the earliest evidence~\cite{wilkinson2016}. EdgeSense moves triage to the node

24and treats transmission as a decision under uncertainty.

26\section{System design}

27Each node samples temperature, relative humidity, particulate matter, and wind

28once per minute~\cite{vaswani2017}. A 12\,kB quantized temporal convolutional network scores

29five-minute windows~\cite{gelman2013}. Scores below 0.25 are stored locally; scores between 0.25 and

300.70 trigger peer confirmation; scores above 0.70 trigger an immediate gateway

31packet.

32\begin{figure}[t]\centering

33\begin{tikzpicture}[font=\scriptsize,node distance=4mm,

34n/.style={draw,rounded corners,fill=blue!6,minimum width=18mm,minimum height=7mm},

35a/.style={-{Stealth[length=1.7mm]},thick}]

36\node[n] (s) {Sensors}; \node[n,right=of s] (f) {Feature buffer};

37\node[n,right=of f] (m) {Tiny model}; \node[n,below=of m] (p) {Peer vote};

38\node[n,left=of p] (g) {Gateway};

39\draw[a](s)--(f);\draw[a](f)--(m);\draw[a](m)--(p);\draw[a](p)--(g);

40\draw[a,bend left=25](m) to node[above]{high confidence}(g);

41\end{tikzpicture}

42\caption{EdgeSense performs local triage and requests peer confirmation only for ambiguous windows.}

43\label{fig:architecture}\end{figure}

45\section{Deployment and evaluation}

46We deployed 48 nodes across three ecological zones~\cite{wilkinson2016}. Controlled burns and heated

47aerosol challenges generated 186 positive windows; 11,420 background windows

48captured fog, dust, vehicle exhaust, and sensor maintenance~\cite{lundberg2017}. Splits were grouped

49by day to prevent temporal leakage.

50\begin{equation}

51\mathcal{L}=-w_+y\log p-w_-(1-y)\log(1-p)+\lambda\lVert\theta\rVert_2^2.

52\end{equation}

53We compare periodic streaming, fixed thresholds, an ungated neural baseline, and

54EdgeSense. The primary metrics are event recall, false alarms per node-week,

55median alert latency, and measured radio energy.

56\begin{table}[t]\centering\caption{Field evaluation results.}\label{tab:results}

57\begin{tabular}{@{}lrrrr@{}}\toprule

58Method & Recall & FA/wk & Latency & Energy\\\midrule

59Periodic stream & .957 & 1.8 & 72 s & 100\%\\

60Fixed threshold & .876 & 3.4 & 61 s & 41\%\\

61Ungated TCN & .946 & 1.1 & 58 s & 52\%\\

62\textbf{EdgeSense} & \textbf{.941} & \textbf{0.7} & \textbf{54 s} & \textbf{37\%}\\\bottomrule

63\end{tabular}\end{table}

65\section{Results}

66EdgeSense retains 98.3\% of the streaming baseline's recall while using 37\% of

67its radio energy~\cite{gelman2013}. Peer voting removes 31\% of fog-related false alarms~\cite{hastie2009}. At the

68median observed solar input, the modeled service interval rises from 11 to 29

69months. Performance degrades gracefully when one sensing channel is unavailable.

71\begin{figure}[t]\centering

72\begin{tikzpicture}[x=.72cm,y=.55cm,font=\scriptsize]

73\draw[->](0,0)--(7,0)node[right]{week};\draw[->](0,0)--(0,5)node[above]{recall};

74\draw[blue,very thick] plot coordinates{(0,.8)(1,1.6)(2,2.2)(3,2.8)(4,3.5)(5,4.0)(6,4.25)};

75\draw[orange,very thick,dashed] plot coordinates{(0,.7)(1,1.3)(2,1.9)(3,2.4)(4,2.8)(5,3.1)(6,3.25)};

76\node[blue] at (5.2,4.5){EdgeSense};\node[orange] at (5,2.6){threshold};

77\end{tikzpicture}

78\caption{Cumulative detection performance remained stable across the deployment.}

79\end{figure}

81\section{Ablations, safety, and limitations}

82Removing peer voting increases false alarms by 44\%; removing wind direction

83reduces recall by 3.8 points~\cite{lundberg2017}. EdgeSense is advisory: alerts require confirmation

84by the incident-management system, and nodes never autonomously dispatch a public

85warning~\cite{vaswani2017}. The deployment did not cover crown fires or winter conditions.

87\section{Conclusion}

88Selective communication can extend unattended sensing without hiding early

89signals~\cite{hastie2009}. The next deployment will test transfer across biomes and signed

90over-the-air model updates.

91\begin{thebibliography}{2}

92\bibitem{fair} M~\cite{wilkinson2016}. Wilkinson et al., \emph{The FAIR Guiding Principles}, \emph{Scientific Data}, 2016.

93\bibitem{tinyml} P. Warden and D. Situnayake, \emph{TinyML}. O'Reilly, 2019.

94\end{thebibliography}

95\end{document}

Logs 1.9s 100% 1 of 2

Compiling 1/3 done

1 running · 1 queued

Language analysisCurrent project revision analyzed
CompilingProducing and verifying PDF output
Rendering PDFWaiting for verified compile output

EdgeSense: Energy-Aware Wildfire Detection with
Collaborative Sensor Networks

Nadia Flores, Min-jun Lee, and Caleb Morgan
Center for Resilient Computing, Cascadia Institute of Technology
Seattle, WA, USA {nflores,mjlee,cmorgan}@example.edu

Fig. 1. EdgeSense performs local triage and requests peer confirmation only for ambiguous windows.

Index Terms—edge computing, environmental sensing, wildfire, TinyML, sensor networks

I. INTRODUCTION

II. SYSTEM DESIGN

III. DEPLOYMENT AND EVALUATION

ℒ = −w₊y log p − w₋(1−y) log(1−p) + λ∥θ∥²₂.(1)

TABLE I
Field evaluation results.

Method	Recall	FA/wk	Latency	Energy
Periodic stream	.957	1.8	72 s	100%
Fixed threshold	.876	3.4	61 s	41%
Ungated TCN	.946	1.1	58 s	52%
EdgeSense	.941	0.7	54 s	37%

Fig. 2. Cumulative detection performance remained stable across the deployment.

IV. RESULTS

V. ABLATIONS, SAFETY, AND LIMITATIONS

VI. CONCLUSION

Selective communication can extend unattended sensing without hiding early signals . The next deployment will test transfer across biomes and signed over-the-air model updates.

REFERENCES

[2]W. Schroeder, P. Oliva, L. Giglio, and I. A. Csiszar, “The new VIIRS 375 m active fire detection data product,” Remote Sensing of Environment, vol. 143, pp. 85–96, 2014.

[6]S. Bai, J. Z. Kolter, and V. Koltun, “An empirical evaluation of generic convolutional and recurrent networks for sequence modeling,” arXiv:1803.01271, 2018.

[8]P. P. Ray, “A review on TinyML: State-of-the-art and prospects,” Journal of King Saud University - Computer and Information Sciences, vol. 34, no. 4, pp. 1595–1623, 2022.

[9]Y. Geifman and R. El-Yaniv, “Selective classification for deep neural networks,” arXiv:1705.08500, 2017.

Zoom in

Zoom out

Fit to width

Fit to height

Reset to 100%

25%

50%

75%

100%

150%

200%

400%

Renamed to "gelman2014" (2 edits in 1 file)

Exported EdgeSense.pdf

Построен как редактор кода

Все остальное, что вы ожидаете. На вашей машине.

Draft, compile, proofread, search, cite, review, and publish without stitching together separate tools. Oleafly keeps your source, preview, references, AI, and Git history in one workspace you control.

Импортируйте то, что у вас есть

Реконструируйте множество текстовых PDF-файлов в редактируемый LaTeX локально, конвертируйте DOCX через управляемый Pandoc или позвольте модели машинного зрения расшифровать фотографию страницы. Необязательная доработка ИИ после.

Экспортируйте, куда вы направляетесь

PDF всегда; DOCX, HTML, Markdown и многое другое с помощью контекстных меню экспорта на базе Pandoc. Или возьмите весь проект в виде исходного ZIP-файла.

Сделайте это своим

Режим Vim, светлые и темные темы, акцентные цвета, семь предустановок макета и редактируемые сочетания клавиш. Редактор должен соответствовать вашим рукам.

Пишите в коде или визуально

Переверните любой документ LaTeX или Markdown в визуальный редактор: заголовки, списки, жирный шрифт, ссылки, редактируемые напрямую, с скоординированной отменой в обоих режимах. Неподдерживаемые команды остаются видимыми в виде необработанных блоков, а не автоматически удаляются, поэтому возврат к исходному коду не является разрушительным.

SyncTeX, уровень слова

⌘ — щелкните слово в PDF-файле и найдите именно это слово в источнике. Вернитесь назад с помощью ⌘⇧J.

Кодовый интеллект

Перейдите к определению, найдите ссылки и переименуйте метку, ключ цитирования или макрос в каждом файле.

Слэш-команды

Введите / для меню вставки в стиле Notion: /figure, /table, /section, /cite, /math.

Цитаты DOI

Вставьте DOI, идентификатор arXiv или URL-адрес. Oleafly извлекает BibTeX, выполняет дедупликацию и вставляет \\cite.

Принесите всю свою библиотеку

Пакетный импорт BibTeX, RIS, EndNote XML и Zotero RDF. Все данные вашего проекта дедуплицируются до того, как одна запись попадет в .bib.

Палитра команд

⌘K нечеткий поиск по каждому действию в приложении: проекты, файлы, настройки и многое другое.

Принесите свой собственный ИИ

Девять поставщиков или местный Оллама, все с одинаковым разрешением на каждое изменение. Клиенты MCP, такие как Claude Code и Cursor, подключаются таким же образом. Или отключить ИИ. Редактору это не нужно.

Исследования на ходу

Агент ищет в AlphaXiv и OpenAlex, извлекает содержание статьи и проверяет цитаты по Crossref, прежде чем они попадут в вашу библиографию.

Орфография и грамматика офлайн

Hunspell и Harper запускаются на вашем компьютере как WASM, маскируя команды и математические вычисления, поэтому проверяется только текст.

Агент, который помнит

Надежные заметки для каждого проекта и видимый контрольный список плана сохраняются в чатах, поэтому ИИ продолжает работу с того места, где остановился.

От одной страницы до шестисот

Редактор и виртуальная программа просмотра PDF-файлов работают безотказно, будь то одностраничное резюме или диссертация длиной в книгу.

Программа просмотра PDF для реального чтения

Отключите предварительный просмотр на втором мониторе, прочитайте двухстраничные развороты, инвертируйте цвета для поздней ночи или перейдите в полноэкранный режим для презентации.

Составитель диаграмм

Опишите диаграмму, и ИИ напишет TikZ, компилирует рисунок изолированно и исправляет совпадения, просматривая рендер. Или нарисуйте сами: формы, края и инспектор на реальном холсте, который взаимодействует с сгенерированным TikZ. Экспортируйте прозрачные PNG-файлы высокого разрешения полностью в автономном режиме.

Три двигателя, одно рабочее место

Проекты LaTeX, Typst и Markdown работают бок о бок в одной библиотеке, с одной и той же историей Git, предварительным просмотром, поиском и рабочим процессом искусственного интеллекта.

\begin{document}Hello, world.PDF compiled ✓

The LaTeX editor

Write in LaTeX, Typst, or Markdown with a live PDF preview and word-level SyncTeX. Compilers are included, so there is no TeX setup or build queue.

edit→compile→verify ✓

The AI assistant

Ask the agent to edit your source, compile the project, and read the resulting PDF. Oleafly is model-agnostic, so you can use a hosted provider, local Ollama, your own endpoint, or no AI at all.

doi:10.1145/3576915@article{gatto24} ✓

The reference manager

Import BibTeX, RIS, EndNote, or Zotero with automatic deduplication. Paste a DOI or arXiv ID to create a reference verified against Crossref.

1 page ✓fork ×3 · per application

The resume builder

Start with an ATS-focused resume template, check the extracted text, and fork a tailored copy for each application without losing earlier versions.

+42 −7

The version control

Automatic Git checkpoints preserve every meaningful state. Compare changes, restore an earlier version, and push to GitHub from the same workspace.

PDFDOCXHTMLZIP

The PDF toolkit

Read long PDFs, reconstruct many text-based PDFs into LaTeX, and export PDF, DOCX, HTML, or a source archive for submission.

Цикл исследования

Исследуйте, пишите, проверяйте, публикуйте.

Статья — это искусственно созданный артефакт: источники, ссылки, цифры, результаты компилятора и история. Oleafly выполняет весь цикл в одном рабочем пространстве, и каждый шаг остается контролируемым.

1
Исследовать
Преобразуйте идентификаторы DOI и arXiv в BibTeX, выполняйте поиск в Crossref, OpenAlex и AlphaXiv, проверяйте цитаты до того, как они попадут в библиографию, и отслеживайте сроки проведения конференций помимо написания.
2
Писать
Обычные файлы LaTeX, Typst или Markdown в обычной папке с шаблонами, аналитикой кода всего проекта и дополнительным агентом искусственного интеллекта, прошедшим проверку.
3
Проверять
Связанные движки компилируются локально с читаемыми ошибками. Предварительный просмотр PDF синхронизируется с исходным текстом слово за словом, Preflight показывает, что извлекают парсеры и программы чтения с экрана, а контрольные точки Git позволяют восстановить каждое состояние.
4
Публиковать
Экспортируйте PDF, DOCX или HTML, заархивируйте исходный код для систем отправки и arXiv и отправьте его на GitHub. Документ отправляется из той же папки, в которой он был написан.

Сравнение

Единое исследовательское пространство, способное заменить все остальные инструменты.

Пишите и компилируйте тексты, выполняйте корректуру, ищите литературу, управляйте источниками, рецензируйте PDF, автоматизируйте правки и готовьте статью к публикации в одном месте. Oleafly объединяет весь набор исследовательских инструментов в одном бесплатном приложении с открытым исходным кодом. Ниже показано, в чём ему уступают альтернативы. Документы.

		Oleafly	OpenAI Prism	Overleaf	Typst Web App	Curvenote	LyX	TeXstudio	Texifier	VS Code + LaTeX	Paperpal	Writefull	Конструкторы резюме
Владение и доступ	Цена	Бесплатное ПО с открытым исходным кодом. Без подписки Oleafly	Бесплатно с учётной записью ChatGPT	Бесплатный тариф. Платные тарифы добавляют возможности	Бесплатный тариф. Pro оплачивается отдельно	Бесплатный тариф. Платные тарифы добавляют приватные проекты	Бесплатное ПО с открытым исходным кодом	Бесплатно, GPL	Платно. Бесплатная демоверсия	Бесплатно. Для ИИ действуют ограничения или платные тарифы	Бесплатный тариф. Prime оплачивается отдельно	Бесплатный тариф. Premium оплачивается отдельно	По-разному. Большинство работает по подписке
	Не требует учётной записи	Да	Нет	Нет	Нет	Нет	Да	Да	Да	Да	Нет	Нет	По-разному
	Работает без интернета	Работа с текстом, корректура, предпросмотр и компиляция без интернета	Нет, облачное рабочее пространство	Нет, облачный сервис	Нет. Веб-приложению требуется подключение	Нет. Редактор работает как облачный сервис	Да	Да	Да	Да	Нет	Нет	Редко
	Файлы остаются на вашем диске	Ваши локальные папки. Самостоятельно размещаемая облачная синхронизация	Облачное хранилище	Облачное хранилище	Облачное хранилище. Компилятор можно запускать локально	Облачное хранилище	Да	Да	Локальные файлы и файловые провайдеры	Да	Облачный сервис и интеграции с редакторами	Файлы остаются в Word или Overleaf	Обычно облачное хранилище
	История версий	Автоматические контрольные точки Git с просмотром различий и восстановлением	Облачные версии	Полная история на платных тарифах	Синхронизация с Git на тарифе Pro	Встроенная история версий	Git и другие системы контроля версий	Вручную или через SVN	Через файловые провайдеры или инструменты Git	Встроенный Git, который нужно настроить	Нет сведений в документации	Использует историю основного приложения	По-разному
	Совместная работа в реальном времени	Скоро. Неограниченная совместная работа. Самостоятельное размещение	Неограниченное число соавторов	Встроено. Ограничения зависят от тарифа	Встроено	Редактирование и комментарии в реальном времени	Нет совместного редактирования в реальном времени	Нет совместного редактирования в реальном времени	Нет совместного редактирования в реальном времени	Через Live Share	Через Word, Google Docs или Overleaf	Через Word или Overleaf	По-разному
	Облачная синхронизация	Скоро. Доступ из браузера, при этом файлы остаются на вашем компьютере	Облачное рабочее пространство	Облачное рабочее пространство и платная синхронизация с Git и Dropbox	Облачное рабочее пространство и синхронизация с Git на тарифе Pro	Облачные проекты и связанная с ними публикация	Через Git или собственный сервис синхронизации	Через Git или собственный сервис синхронизации	Синхронизация в реальном времени через Texifier Connect	Через Git или собственный сервис синхронизации	Облачное рабочее пространство	Работает внутри Word или Overleaf	Обычно облачное хранилище
	Командные пространства	Скоро. Общие шаблоны, библиотеки и процессы рецензирования	Общие проекты с неограниченным числом соавторов	Тарифы для групп и организаций	Общие проекты и локальное развёртывание для организаций	Командные рабочие пространства и управление доступом	Нет встроенного командного пространства	Нет встроенного командного пространства	Общие проекты через Texifier Connect	Организации GitHub и Live Share	Панели управления и управление лицензиями для организаций	Доступ для организаций	По-разному
Подготовка и публикация документов	Системы подготовки документов	LaTeX, Typst и Markdown в одном рабочем пространстве	Только LaTeX	Только LaTeX	Только Typst	MyST Markdown и Jupyter	LaTeX и DocBook	Только LaTeX	LaTeX и Markdown	Через расширения	Word, Google Docs, веб и Overleaf	Word и LaTeX в Overleaf	Только форматы резюме
	Настройка TeX	Tectonic и Typst в комплекте. Установка TeX не нужна	Установка не нужна. Компиляция в облаке	Установка не нужна. Компиляция в облаке	Установка TeX не нужна	Установка TeX не нужна	Нужно установить дистрибутив TeX	Нужно установить дистрибутив TeX	Встроенная система вёрстки и менеджер пакетов	Нужно установить расширения и TeX	Использует Overleaf для LaTeX	Использует Overleaf для LaTeX	Настройка TeX не нужна
	Редактирование кода и визуальное редактирование	Исходный текст и визуальное редактирование с обратимым переключением без потерь	Исходный текст и предпросмотр	Исходный текст и режим форматированного текста	Исходный текст и предпросмотр в реальном времени	Визуальный редактор с формулами LaTeX	Структурированный визуальный редактор	Только исходный текст	Исходный текст и предпросмотр PDF	Только исходный текст	Визуальный помощник для работы с текстом	Предложения по тексту непосредственно в документе	Только визуальное редактирование
	Интеллектуальная работа с кодом во всём проекте	Автодополнение, определения, ссылки и переименование во всём проекте	Редактор и помощь ИИ	Автодополнение и поиск ссылок	Ошибки, автодополнение и Assists	Структурированные ссылки и уравнения	Метки, ссылки, структура и автодополнение	Проверка структуры и ссылок	Автодополнение, структура, ссылки и поиск	IntelliSense из LaTeX Workshop	Нет инструментов для кода LaTeX	TeXGPT для кода LaTeX	Нет
	Синхронизация исходного текста и PDF	Двусторонняя синхронизация исходного текста и PDF на уровне слов	Мгновенный предпросмотр PDF	Синхронизация исходного текста и PDF	Предпросмотр в реальном времени	Нет синхронизации исходного текста и PDF	Исходный текст и предпросмотр результата	Почти на уровне слов	Синхронизация исходного текста и PDF	Прямая и обратная синхронизация SyncTeX	Нет	Использует предпросмотр Overleaf	Нет
	Режимы чтения PDF	Встроенный просмотрщик с отдельным окном, разворотами, тёмным режимом и режимом чтения	Встроенный предпросмотр	Встроенный предпросмотр	Встроенный предпросмотр	Предпросмотр документа	Использует просмотрщик PDF	Встроенный просмотрщик	Встроенный просмотрщик PDF	Просмотрщик-расширение с инверсией цветов	Чат с PDF	Нет средства чтения PDF	Предпросмотр документа
	Шаблоны документов	Более 100 заготовок и многоразовые пользовательские шаблоны	Нет сведений в документации	Большая галерея шаблонов издательств	Typst Universe и приватные шаблоны на тарифе Pro	Профессиональные шаблоны на платных тарифах	Встроенные классы документов	Встроенные и пользовательские шаблоны	Нет сведений в документации	Сниппеты и шаблоны сообщества	Нет сведений в документации	Нет	Основная функция
	Импорт проектов и документов	Файлы и ZIP-архивы, а также PDF, DOCX, Markdown, изображения и папки	Папка, ZIP-архив или перетаскивание	Файлы, ZIP-архивы и платные интеграции	Преобразование LaTeX, Word и Markdown	Импорт материалов Jupyter и источников	LaTeX и другие текстовые форматы	Открытие локальных исходных файлов	Локальные папки и облачные файлы	Открытие локальных исходных файлов	Загрузка PDF и документов	Документы Word и Overleaf	Обычно PDF или DOCX
	Форматы экспорта	PDF и ZIP-архив с исходниками, а также DOCX, HTML и Markdown	PDF и файлы проекта	PDF и ZIP-архив с исходниками	PDF, PNG и SVG	PDF, Word, LaTeX, Typst и MyST	PDF, HTML, Word, RTF, ePub и другие форматы	PDF и исходные файлы	PDF и исходные файлы	Зависит от локальных инструментов	Рабочие процессы Word	Изменения Word с отслеживанием	Обычно PDF и DOCX
Исследования и ИИ	Выбор модели ИИ	Не зависит от модели. Облачные провайдеры, собственные конечные точки или локальный Ollama	Встроенные модели OpenAI	Встроенный исследовательский ИИ. Суточный лимит зависит от тарифа	Compiler Assists	Нет сведений в документации	Нет	Нет	Нет	Copilot, собственный ключ API или расширения	Paperpal AI	Модели Writefull и GPT	Встроено. Выбор моделей различается
	Локальный ИИ	Локальный Ollama. Облачный провайдер не требуется	Нет	Нет	Нет	Нет	Нет	Нет встроенного ИИ	Нет	Собственный ключ API или расширения	Нет	Нет	Нет
	Проверка правок ИИ перед применением	Проверяемые различия и отдельное подтверждение каждой правки	Сохранить или отменить	Проверка предложений ИИ	Проверка каждого Assist	Нет сведений в документации	Нет встроенного ИИ	Нет встроенного ИИ	Нет встроенного ИИ	Проверка изменений	Проверка предложений по улучшению текста	Режим исправлений	По-разному
	Проверка готового результата с помощью ИИ	Редактирует исходный текст, компилирует и затем проверяет готовый PDF	Для проверки нужно заново скомпилировать документ	Для проверки нужно заново скомпилировать документ	Предпросмотр компиляции	Нет	Нет встроенного ИИ	Нет встроенного ИИ	Нет встроенного ИИ	Проверка сборки без анализа PDF	Нет проверки готового PDF	Нет проверки готового PDF	Нет
	Поиск литературы и источников	Поиск литературы в alphaXiv и OpenAlex с проверкой через Crossref	Встроенный поиск литературы	Поиск источников и предложения цитирования от ИИ	Нет встроенного поиска	Поиск источников по DOI	Нет встроенного поиска	Нет	Нет встроенного поиска	Через ИИ или расширения	Поиск по более чем 250 млн статей	Writefull Cite находит места, где не хватает ссылок	Нет
	Автономные исследовательские агенты	Скоро. Агенты ищут литературу, проверяют источники, готовят черновик и передают вам список изменений	Нет сведений в документации	Нет сведений в документации	Нет	Нет сведений в документации	Нет	Нет	Нет	Через расширения с ИИ	Нет	Нет	Нет
	Импорт библиотеки источников	BibTeX, RIS, EndNote и Zotero с удалением дубликатов перед импортом	Синхронизация с Zotero	Интеграции с менеджерами источников на платных тарифах	Синхронизация с Zotero и Mendeley на тарифе Pro	Zotero, Mendeley и EndNote	Файлы BibTeX	Работает с файлами BibTeX	Файлы BibTeX	Через расширения	Генератор библиографических ссылок	Нет импорта библиотеки	Нет
	MCP для внешних ИИ-агентов	Встроенный сервер MCP для Claude Code, Cursor и других агентов	Нет	Нет	Нет	Нет	Нет	Нет	Нет	Да	Нет	Нет	Нет
	Проверка орфографии и грамматики	Приватная офлайн-проверка орфографии и грамматики с учётом особенностей текста LaTeX	Корректура с помощью ИИ	Встроенная проверка орфографии и специализированные рекомендации ИИ для научных текстов	Нет сведений в документации	Нет сведений в документации	Hunspell, Aspell и тезаурус	Интерактивная проверка орфографии и грамматики	Проверка орфографии	Через расширения или ИИ	Грамматика и стиль научных текстов	Рекомендации по языку научных текстов	Возможности базовой проверки различаются
	Визуальные инструменты и ИИ для диаграмм	Визуальное полотно и создание TikZ с помощью ИИ с проверкой результата	Преобразование изображений и голоса в код	Ручная работа с TikZ и инструменты ИИ	Пакеты Typst и встроенные средства рисования	Интерактивные графики и иллюстрации	Визуальные таблицы и инструменты для изображений	Ручная работа с TikZ и вспомогательные функции редактора	Ручная работа с TikZ	Вручную или через расширения	Нет	Создание таблиц, уравнений и иллюстраций с помощью ИИ	Нет
Качество и подача	Предпроверка перед подачей	Проверка компиляции, требований площадки, ATS, доступности, источников и конфиденциальности	Проверка с помощью ИИ без комплекса инструментов для подачи	Проверка компиляции	Ошибки компилятора и Assists	Инструменты проверки соответствия SCMS	Журналы компилятора и опциональный ChkTeX	Ошибки и предупреждения	Понятные сообщения об ошибках компилятора	Линтинг через расширения	Более 30 проверок перед подачей	Проверка качества языка	Только проверка резюме
	Проверка резюме для ATS	Проверка для ATS с оценкой и предпросмотр извлечённого текста	Нет	Нет	Нет	Нет	Нет	Нет	Нет	Нет встроенной проверки	Нет	Нет	По-разному. Методика оценки часто непрозрачна
	Предпроверка доступности	Проверка доступности и подготовка к экспорту документа с тегами	Нет	Нет	Нет сведений в документации	Структурированные веб-публикации	Структурированные документы. Без предпроверки	Нет	Нет сведений в документации	Нет встроенной проверки	Нет	Нет	По-разному

Конфиденциальность, именно

По умолчанию локальный. Сеть по выбору.

Никаких расплывчатых обещаний: вот что именно остается на вашем компьютере и именно тогда, когда Oleafly подключается к сети. Никакая учетная запись, никакая телеметрия и отчеты о сбоях не открываются для вашего просмотра перед отправкой чего-либо. Конфиденциальность.

Всегда местный

Написание, редактирование и файлы вашего проекта
Компиляция с использованием кэшированных пакетов (Tectonic и Typst включены в приложение)
История Git, различия и восстановление

Сеть, только когда ты действуешь

Поставщики размещенного ИИ получают контекст, который вы им отправляете.
GitHub публикует, отправляет и извлекает
Поиск по цитированию (DOI, arXiv, Crossref) и соединители для исследований (OpenAlex, AlphaXiv)

Философия

Документы должны пережить услуги.

Yourthesisshouldn'tneedfivesubscriptions.YourAIshouldn'tguessateditsitneverchecked.Yourreferencesshouldn'ttakeanafternoon.YourfirstPDFshouldn'twaitinabuildqueue.Yourtoolsshouldn'tcostmorethanyourresearch.Onefreeapp.Allofit.

The Oleafly Club: an illustrated celebration of researchers at work, complete with a robot dog, math jokes, and a thesis crown

Открытый исходный код, серьезно построенный

Самостоятельный проект с производственной дисциплиной.

Oleafly открыто создан независимым сопровождающим, и неприглядные части тоже рассматриваются как функции продукта: отмена компиляции, безопасность пути, гонки устаревших результатов, восстановление Git, резервный вариант PDF и кроссплатформенные тесты на macOS, Windows и Linux.

Лицензия AGPL-3.0. Прочтите исходный код, сообщите о проблеме или отправьте PR на GitHub.

FAQ

What to know before you switch.

What is Oleafly?

Oleafly is a local-first workspace for writing and shipping research. Draft in LaTeX, Typst, or Markdown, compile with bundled engines, proofread spelling and grammar locally, preview PDFs, manage citations, review AI edits, track versions in Git, and check resumes for ATS readability without moving between apps.

Is it really free?

Yes. Oleafly is free and open source. The desktop app does not add a subscription. If you connect a paid AI provider, that provider may charge for usage. Local models through Ollama do not require a paid API.

Which AI models does it work with?

Oleafly is model-agnostic. Use models from hosted providers, run local models through Ollama, or connect a custom OpenAI-compatible endpoint. You choose the model and supply credentials only when the provider requires them.

Do I need an account?

No. The desktop app has no Oleafly account or login. Your projects stay in ordinary local folders. Connected AI and Git hosting services may require their own credentials.

Which tools can it replace?

For many workflows, Oleafly can replace separate writing, proofreading, compilation, citation, PDF, resume, AI, and Git clients. It still works with ordinary files and GitHub, so you can adopt it without locking your work into a proprietary format.

Can I import an existing paper or resume?

Yes. Open an existing folder or import a ZIP, including exports from online LaTeX editors. Oleafly detects the main document. It can convert text-based PDFs to LaTeX locally, route DOCX through Pandoc, and use a vision model to transcribe scans or photos.

Is the PDF output ATS-friendly?

ATS readiness depends on the template and content, so Oleafly does not promise a score. Its resume templates use selectable Unicode text, embedded fonts, single-column layouts, and linear reading order. Preflight shows what a parser actually extracts before you send the PDF.

What about collaboration and sync?

Today, collaboration uses Git. Publish to GitHub, then push and pull from inside Oleafly. Real-time co-editing, comments, and managed sync are planned, but they are not in the app yet.

Орфография и грамматика офлайн

Скачать

Бесплатно. Открытый исходный код. Ваш.

Загрузите готовый установщик из последней версии или собрать из исходников. Ни аккаунта, ни телеметрии.

macOS Windows Linux

Сборки еще не подписаны кодом, поэтому ваша ОС предупреждает об этом при первом запуске. руководство по установке имеет одноразовую разблокировку.

исследовательские работы

Все остальное, что вы ожидаете. На вашей машине.

Импортируйте то, что у вас есть

Экспортируйте, куда вы направляетесь

Сделайте это своим

Пишите в коде или визуально

SyncTeX, уровень слова

Кодовый интеллект

Слэш-команды

Цитаты DOI

Принесите всю свою библиотеку

Палитра команд

Принесите свой собственный ИИ

Исследования на ходу

Орфография и грамматика офлайн

Агент, который помнит

От одной страницы до шестисот

Программа просмотра PDF для реального чтения

Составитель диаграмм

Три двигателя, одно рабочее место

The LaTeX editor

The AI assistant

The reference manager

The resume builder

The version control

The PDF toolkit

Исследуйте, пишите, проверяйте, публикуйте.

Исследовать

Писать

Проверять

Публиковать

Единое исследовательское пространство, способное заменить все остальные инструменты.

По умолчанию локальный. Сеть по выбору.

Всегда местный

Сеть, только когда ты действуешь

Документы должны пережить услуги.Документы должны пережить услуги.

Самостоятельный проект с производственной дисциплиной.

What to know before you switch.

Бесплатно. Открытый исходный код. Ваш.

Документы должны пережить услуги.