Напишіть
наукові роботи
як ти пишеш код.

Oleafly — це перший локальний дослідницький робочий простір для LaTeX, Typst і Markdown. Ваші проекти живуть у вигляді простих файлів на вашому комп’ютері з реальною історією Git, компілятори постачаються в коробці, а додатковий агент ШІ перевіряє власні редагування, компілюючи та читаючи PDF. Ні облікового запису, ні телеметрії, ні встановлення TeX.

Завантажити безкоштовно Читайте документи

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

Створений як редактор коду

Все інше, чого ви очікуєте. На вашій машині.

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.

Імпортуйте те, що є

Реконструюйте багато текстових PDF-файлів у доступний для редагування LaTeX локально, конвертуйте DOCX за допомогою керованого Pandoc або дозвольте моделі бачення транскрибувати фотографію сторінки. Необов'язкове вдосконалення AI після.

Експортуйте туди, куди ви збираєтеся

PDF завжди; DOCX, HTML, Markdown тощо за допомогою контекстних меню експорту з підтримкою Pandoc. Або захопіть весь проект як вихідний ZIP.

Зробіть це своїм

Режим Vim, світлі та темні теми, акцентні кольори, сім попередніх налаштувань макета та редаговані комбінації клавіш. Редактор повинен лягати під руку.

Пишіть у коді чи візуалі

Переверніть будь-який документ LaTeX або Markdown у візуальний редактор: заголовки, списки, жирний шрифт, посилання, редаговані напряму, із узгодженим скасуванням в обох режимах. Непідтримувані команди залишаються видимими як необроблені блоки, а не мовчазно відкидаються, тому повернення до вихідного коду є неруйнівним.

SyncTeX, рівень слова

⌘ клацніть слово в PDF-файлі та перейдіть на це саме слово в джерелі. Перейдіть назад за допомогою ⌘⇧J.

Кодовий інтелект

Перейдіть до визначення, знайдіть посилання та перейменуйте мітку, ключ цитування чи макрос у кожному файлі.

Команди косої риски

Введіть / для меню вставки у стилі Notion: /figure, /table, /section, /cite, /math.

Цитування за DOI

Вставте DOI, arXiv id або URL. Oleafly отримує BibTeX, дедуплює його та вставляє \\cite.

Принесіть всю свою бібліотеку

Пакетний імпорт BibTeX, RIS, EndNote XML і Zotero RDF. Усе дедуплюється щодо вашого проекту, перш ніж окремий запис потрапляє в .bib.

Палітра команд

⌘K здійснює нечіткий пошук у кожній дії в програмі: проекти, файли, налаштування тощо.

Принесіть свій власний ШІ

Дев’ять постачальників або місцевий Ollama, усі мають однакове схвалення кожної зміни. Клієнти MCP, такі як Claude Code та Cursor, підключаються таким же чином. Або вимкніть ШІ. Редактору це не потрібно.

Дослідження на крані

Агент шукає в alphaXiv і OpenAlex, отримує паперовий вміст і перевіряє цитати на Crossref, перш ніж вони потраплять у вашу бібліографію.

Правопис і граматика в автономному режимі

Hunspell і Harper працюють як WASM на вашій машині, маскуючи команди та математику, тому перевіряється лише проза.

Агент, який пам'ятає

Надійні нотатки для кожного проекту та видимий контрольний список планів зберігаються в чатах, тож штучний інтелект продовжує роботу з того місця, де зупинився.

Від однієї сторінки до шестисот

Редактор і віртуалізований засіб перегляду PDF-файлів працюють гладко, незалежно від того, чи йдеться про односторінкове резюме чи дипломну роботу.

Переглядач PDF для реального читання

Відключіть попередній перегляд на другому моніторі, читайте розвороти на двох сторінках, інвертуйте кольори для пізньої ночі або перейдіть у повноекранний режим для презентації.

Композитор діаграм

Опишіть діаграму, і штучний інтелект напише TikZ, компілює фігуру окремо та виправить перекриття, дивлячись на візуалізацію. Або намалюйте це самі: форми, краї та інспектор на справжньому полотні, який обертається за допомогою згенерованого TikZ. Експортуйте прозорі PNG у високій роздільній здатності в режимі офлайн.

Три двигуни, одне робоче місце

Проекти LaTeX, Typst і Markdown поруч в одній бібліотеці, з тією самою історією Git, попереднім переглядом, пошуком і робочим процесом AI.

\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.

Дослідницька петля

Досліджуйте, пишіть, перевіряйте, публікуйте.

Стаття — це сконструйований артефакт: джерела, посилання, малюнки, результати компілятора та історія. Oleafly запускає весь цикл в одному робочому просторі, і кожен крок залишається контрольованим.

1
дослідження
Перетворюйте ідентифікатори DOI та arXiv у BibTeX, шукайте Crossref, OpenAlex і alphaXiv, перевіряйте цитати, перш ніж вони потраплять у бібліографію, і відстежуйте крайні терміни конференцій поряд із текстом.
2
Напишіть
Звичайні файли LaTeX, Typst або Markdown у звичайній папці з шаблонами, інтелектуальним кодом усього проекту та додатковим агентом штучного інтелекту з перевіркою.
3
Підтвердити
Пакетні механізми компілюються локально з читабельними помилками. Попередній перегляд PDF-файлу синхронізується з вихідним кодом слово за словом, Preflight показує, що вилучають синтаксичні аналізатори та програми зчитування екрана, а контрольні точки Git дозволяють відновити кожен стан.
4
Опублікувати
Експортуйте PDF, DOCX або HTML, заархівуйте джерело для систем подання та arXiv і надішліть на GitHub. Папір відправляється з тієї самої папки, в якій був написаний.

Порівняння

Єдиний дослідницький робочий простір, створений, щоб замінити решту.

Пишіть, компілюйте й вичитуйте тексти, шукайте літературу, керуйте цитуваннями, переглядайте PDF, автоматизуйте редагування та готуйте статтю до публікації — усе в одному місці. Oleafly об’єднує весь набір дослідницьких інструментів в одному безплатному застосунку з відкритим кодом. Нижче показано, у чому альтернативи поступаються. документи.

		Oleafly	OpenAI Prism	Overleaf	Typst Web App	Curvenote	LyX	TeXstudio	Texifier	VS Code + LaTeX	Paperpal	Writefull	Конструктори резюме
Власність і доступ	Ціна	Безплатний продукт із відкритим кодом. Без передплати на Oleafly	Безплатно з обліковим записом ChatGPT	Безплатний тариф. Платні тарифи додають функції	Безплатний тариф. Pro оплачується окремо	Безплатний тариф. Платні тарифи додають приватні проєкти	Безплатний продукт із відкритим кодом	Безплатно, GPL	Платний. Безплатна демоверсія	Безплатно. Для ШІ діють обмеження або платні тарифи	Безплатний тариф. Prime оплачується окремо	Безплатний тариф. Premium оплачується окремо	Залежить від сервісу. Більшість працює за передплатою
	Не потребує облікового запису	Так	Ні	Ні	Ні	Ні	Так	Так	Так	Так	Ні	Ні	Залежить від сервісу
	Працює офлайн	Написання, вичитування, попередній перегляд і компіляція офлайн	Ні, хмарний робочий простір	Ні, хмарний сервіс	Ні. Вебзастосунок потребує з’єднання	Ні. Редактор є хмарним сервісом	Так	Так	Так	Так	Ні	Ні	Рідко
	Файли залишаються на вашому диску	Ваші локальні папки. Самостійно розміщена хмарна синхронізація	Хмарне сховище	Хмарне сховище	Хмарне сховище. Компілятор можна запускати локально	Хмарне сховище	Так	Так	Локальні файли й постачальники файлових сховищ	Так	Хмарний сервіс та інтеграції з редакторами	Файли залишаються у Word або Overleaf	Зазвичай хмарне сховище
	Історія версій	Автоматичні контрольні точки Git із порівнянням змін і відновленням	Хмарні редакції	Повна історія на платних тарифах	Синхронізація з Git у тарифі Pro	Вбудована історія версій	Git та інші системи керування версіями	Вручну або через SVN	Використовує постачальників файлових сховищ або інструменти Git	Вбудований Git, який ви налаштовуєте самостійно	Не задокументовано	Використовує історію основного застосунку	Залежить від сервісу
	Спільна робота в реальному часі	Незабаром. Необмежена спільна робота. Самостійне розміщення	Необмежена кількість співавторів	Вбудовано. Обмеження залежать від тарифу	Вбудовано	Редагування в реальному часі й коментарі	Без спільного редагування наживо	Без спільного редагування наживо	Без спільного редагування наживо	Через Live Share	Використовує Word, Google Docs або Overleaf	Використовує Word або Overleaf	Залежить від сервісу
	Хмарна синхронізація	Незабаром. Доступ із браузера, водночас файли залишаються на вашому комп’ютері	Хмарний робочий простір	Хмарний робочий простір, а також платна синхронізація з Git і Dropbox	Хмарний робочий простір, а також синхронізація з Git у тарифі Pro	Хмарні проєкти та інтегрована публікація	Через Git або власний сервіс синхронізації	Через Git або власний сервіс синхронізації	Синхронізація наживо через Texifier Connect	Через Git або власний сервіс синхронізації	Хмарний робочий простір	Працює у Word або Overleaf	Зазвичай хмарне сховище
	Командні простори	Незабаром. Спільні шаблони, бібліотеки та процеси рецензування	Спільні проєкти з необмеженою кількістю учасників	Групові й установчі тарифи	Спільні проєкти та локальне розгортання для організацій	Командні робочі простори й керування доступом	Немає вбудованого командного простору	Немає вбудованого командного простору	Спільні проєкти через Texifier Connect	Організації GitHub і Live Share	Панелі керування для установ і керування ліцензіями	Доступ для установ	Залежить від сервісу
Написання й публікація	Рушії документів	LaTeX, Typst і Markdown в одному робочому просторі	Лише LaTeX	Лише LaTeX	Лише Typst	MyST Markdown і Jupyter	LaTeX і DocBook	Лише LaTeX	LaTeX і Markdown	Через розширення	Word, Google Docs, веб і Overleaf	Word і Overleaf LaTeX	Лише формати резюме
	Налаштування TeX	Tectonic і Typst у комплекті. Встановлювати TeX не потрібно	Без установлення. Компілює у хмарі	Без установлення. Компілює у хмарі	Встановлювати TeX не потрібно	Встановлювати TeX не потрібно	Потрібно встановити дистрибутив TeX	Потрібно встановити дистрибутив TeX	Вбудована система верстки й менеджер пакетів	Потрібно встановити розширення й TeX	Використовує Overleaf для LaTeX	Використовує Overleaf для LaTeX	Налаштовувати TeX не потрібно
	Редагування коду й візуальне редагування	Вихідний код і візуальне редагування з повністю зворотними перетвореннями без втрат	Вихідний код і попередній перегляд	Вихідний код і режим форматованого тексту	Вихідний код і попередній перегляд наживо	Візуальний редактор із формулами LaTeX	Структурований візуальний редактор	Лише вихідний код	Вихідний код і попередній перегляд PDF	Лише вихідний код	Візуальний помічник із написання	Вбудовані в текст пропозиції щодо написання	Лише візуальне редагування
	Аналіз коду в межах усього проєкту	Автодоповнення, визначення, посилання та перейменування в межах усього проєкту	Редактор і допомога ШІ	Автодоповнення й пошук посилань	Помилки, автодоповнення та Assists	Структуровані посилання й рівняння	Мітки, посилання, структура й автодоповнення	Перевірка структури й посилань	Автодоповнення, структура, посилання й пошук	LaTeX Workshop IntelliSense	Немає інструментів для коду LaTeX	TeXGPT для коду LaTeX	Ні
	Синхронізація вихідного коду та PDF	Двобічна синхронізація вихідного коду та PDF на рівні слів	Миттєвий попередній перегляд PDF	Синхронізація вихідного коду та PDF	Попередній перегляд наживо	Немає синхронізації вихідного коду та PDF	Попередній перегляд вихідного коду та результату	Майже на рівні слів	Синхронізація вихідного коду та PDF	Прямий і зворотний SyncTeX	Ні	Використовує попередній перегляд Overleaf	Ні
	Режими читання PDF	Вбудований переглядач, окреме вікно, розвороти, темний режим і режим читання	Вбудований попередній перегляд	Вбудований попередній перегляд	Вбудований попередній перегляд	Попередній перегляд документа	Використовує переглядач PDF	Інтегрований переглядач	Інтегрований переглядач PDF	Переглядач-розширення з режимом інверсії	Чат із PDF	Немає засобу читання PDF	Попередній перегляд документа
	Шаблони документів	Понад 100 початкових шаблонів і багаторазові власні шаблони	Не задокументовано	Велика галерея шаблонів видавництв	Typst Universe і приватні шаблони Pro	Професійні шаблони на платних тарифах	Вбудовані класи документів	Вбудовані й користувацькі шаблони	Не задокументовано	Фрагменти коду та шаблони спільноти	Не задокументовано	Ні	Основна функція
	Імпорт проєктів і документів	Файли й ZIP-архіви, а також PDF, DOCX, Markdown, зображення та папки	Папка, ZIP або перетягування	Файли, ZIP і платні інтеграції	Перетворення LaTeX, Word і Markdown	Імпорт вмісту Jupyter і бібліографічних джерел	LaTeX та інші текстові формати	Відкриття локальних файлів із вихідним кодом	Локальні папки й хмарні файли	Відкриття локальних файлів із вихідним кодом	Завантаження PDF і документів	Документи Word і Overleaf	Зазвичай PDF або DOCX
	Формати експорту	PDF і ZIP із вихідним кодом, а також DOCX, HTML і Markdown	PDF і файли проєкту	PDF і ZIP із вихідним кодом	PDF, PNG і SVG	PDF, Word, LaTeX, Typst і MyST	PDF, HTML, Word, RTF, ePub тощо	PDF і файли з вихідним кодом	PDF і файли з вихідним кодом	Залежить від локальних інструментів	Робочі процеси Word	Відстежувані зміни Word	Зазвичай PDF і DOCX
Дослідження та ШІ	Вибір моделі ШІ	Не залежить від моделі. Хмарні постачальники, власні кінцеві точки або локальний Ollama	Вбудовані моделі OpenAI	Вбудований дослідницький ШІ. Денний ліміт залежить від тарифу	Compiler Assists	Не задокументовано	Немає	Немає	Немає	Copilot, BYOK або розширення	Paperpal AI	Моделі Writefull і GPT	Вбудовано. Вибір моделі залежить від сервісу
	Локальний ШІ	Локальний Ollama. Хмарний постачальник не потрібен	Ні	Ні	Ні	Ні	Ні	Немає вбудованого ШІ	Ні	BYOK або розширення	Ні	Ні	Ні
	Перегляд змін ШІ перед застосуванням	Порівняння змін для перегляду й окреме схвалення кожної правки	Зберегти або скасувати	Перегляд пропозицій ШІ	Перегляд кожної пропозиції Assist	Не задокументовано	Немає вбудованого ШІ	Немає вбудованого ШІ	Немає вбудованого ШІ	Перегляд змін	Перегляд пропозицій щодо тексту	Відстеження змін	Залежить від сервісу
	Перевірка відтвореного результату за допомогою ШІ	Редагує вихідний код, компілює, а потім перевіряє відтворений PDF	Для підтвердження потрібно скомпілювати повторно	Для підтвердження потрібно скомпілювати повторно	Попередній перегляд компіляції	Ні	Немає вбудованого ШІ	Немає вбудованого ШІ	Немає вбудованого ШІ	Перевірка збірки без перегляду PDF	Без перевірки відтвореного PDF	Без перевірки відтвореного PDF	Ні
	Пошук літератури й цитувань	Пошук літератури в alphaXiv і OpenAlex із перевіркою через Crossref	Вбудований пошук літератури	Пошук джерел і пропозиції цитувань від ШІ	Немає вбудованого пошуку	Пошук цитувань за DOI	Немає вбудованого пошуку	Ні	Немає вбудованого пошуку	Через ШІ або розширення	Пошук серед понад 250 млн статей	Writefull Cite знаходить відсутні цитування	Ні
	Автономні дослідницькі агенти	Незабаром. Агенти шукають літературу, перевіряють цитування, готують чернетку й передають вам порівняння змін	Не задокументовано	Не задокументовано	Ні	Не задокументовано	Ні	Ні	Ні	Через розширення ШІ	Ні	Ні	Ні
	Імпорт бібліотеки джерел	BibTeX, RIS, EndNote і Zotero з усуненням дублікатів перед імпортом	Синхронізація із Zotero	Інтеграції з бібліографічними джерелами на платних тарифах	Синхронізація із Zotero й Mendeley у тарифі Pro	Zotero, Mendeley і EndNote	Файли BibTeX	Працює з файлами BibTeX	Файли BibTeX	Через розширення	Генератор цитувань	Без імпорту бібліотеки	Ні
	MCP для зовнішніх ШІ-агентів	Вбудований сервер MCP для Claude Code, Cursor та інших агентів	Ні	Ні	Ні	Ні	Ні	Ні	Ні	Так	Ні	Ні	Ні
	Перевірка правопису й граматики	Приватна офлайн-перевірка правопису й граматики з урахуванням LaTeX	Вичитування за допомогою ШІ	Вбудована перевірка правопису та спеціалізовані для дослідницьких текстів відгуки ШІ	Не задокументовано	Не задокументовано	Hunspell, Aspell і тезаурус	Інтерактивна перевірка правопису й граматики	Перевірка правопису	Через розширення або ШІ	Академічна граматика й стиль	Зворотний зв’язок щодо академічної мови	Базові перевірки залежать від сервісу
	Візуальні та ШІ-інструменти для діаграм	Візуальне полотно та створення TikZ за допомогою ШІ з перевіркою відтворення	Перетворення зображень і голосу на код	TikZ вручну та інструменти ШІ	Пакети Typst і вбудовані засоби малювання	Інтерактивні графіки й ілюстрації	Візуальні таблиці й інструменти для зображень	TikZ вручну з допоміжними засобами редактора	TikZ вручну	Вручну або через розширення	Ні	Таблиці, рівняння й ілюстрації за допомогою ШІ	Ні
Якість і подання	Перевірка перед поданням	Перевірка компіляції, вимог майданчика, ATS, доступності, джерел і приватності	Перевірка ШІ без комплексних засобів підготовки до подання	Перевірка компіляції	Помилки компілятора й Assists	Засоби перевірки відповідності SCMS	Журнали компілятора й необов’язковий ChkTeX	Помилки й попередження	Зрозумілі повідомлення про помилки компілятора	Лінтинг через розширення	Понад 30 перевірок перед поданням	Перевірка якості мови	Лише перевірки резюме
	ATS-перевірка резюме	ATS-перевірки з оцінкою та попереднім переглядом видобутого тексту	Ні	Ні	Ні	Ні	Ні	Ні	Ні	Немає вбудованої перевірки	Ні	Ні	Залежить від сервісу. Принцип оцінювання часто незрозумілий
	Перевірка доступності	Перевірка доступності та підготовка до експорту з тегами	Ні	Ні	Не задокументовано	Структурована вебпублікація	Структуровані документи. Без попередньої перевірки	Ні	Не задокументовано	Немає вбудованої перевірки	Ні	Ні	Залежить від сервісу

Конфіденційність, точніше

Локальний за замовчуванням. Мережа на вибір.

Ніяких розпливчастих обіцянок: ось саме те, що залишається на вашій машині, і саме тоді, коли Oleafly торкається мережі. Жоден обліковий запис, жодна телеметрія та звіти про збої не відкриваються для перегляду, перш ніж щось буде надіслано. Конфіденційність.

Завжди місцевий

Написання, редагування та ваші файли проекту
Компіляція з кешованими пакетами (Tectonic і Typst поставляються в програмі)
Історія Git, відмінності та відновлення

Мережа, тільки коли ти дієш

Розміщені постачальники штучного інтелекту отримують контекст, який ви їм надсилаєте
GitHub публікує, надсилає та витягує
Пошук цитат (DOI, arXiv, Crossref) і конектори дослідження (OpenAlex, alphaXiv)

Філософія

Документи повинні пережити послуги.

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

Відкритий код, серйозно побудований

Самостійний проект з виробничою дисципліною.

Oleafly створено відкрито незалежним супроводжувачем, і непривабливі частини також розглядаються як функції продукту: скасування компіляції, безпека шляху, гонки застарілих результатів, відновлення Git, резервний PDF та крос-платформні тести на macOS, Windows і Linux.

Ліцензія AGPL-3.0. Прочитайте джерело, повідомте про проблему або надішліть PR 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.

Правопис і граматика в автономному режимі

Hunspell і Harper працюють як WASM на вашій машині, маскуючи команди та математику, тому перевіряється лише проза.

Завантажити

безкоштовно. Відкритий код. Ваша.

Візьміть попередньо зібраний інсталятор з останнього випуску або створити з джерела. Немає облікового запису, немає телеметрії.

macOS Windows Linux

Збірки ще не підписані кодом, тому ваша ОС попереджає під час першого запуску. посібник із встановлення має одноразове розблокування.

Напишіть (()=>{var e=async t=>{await(await t())()};(self.Astro||(self.Astro={})).load=e;window.dispatchEvent(new Event("astro:load"));})();наукові роботирезюметезигрантові пропозиціїнаукові роботияк ти пишеш код.

наукові роботи

Все інше, чого ви очікуєте. На вашій машині.

Імпортуйте те, що є

Експортуйте туди, куди ви збираєтеся

Зробіть це своїм

Пишіть у коді чи візуалі

SyncTeX, рівень слова

Кодовий інтелект

Команди косої риски

Цитування за DOI

Принесіть всю свою бібліотеку

Палітра команд

Принесіть свій власний ШІ

Дослідження на крані

Правопис і граматика в автономному режимі

Агент, який пам'ятає

Від однієї сторінки до шестисот

Переглядач PDF для реального читання

Композитор діаграм

Три двигуни, одне робоче місце

The LaTeX editor

The AI assistant

The reference manager

The resume builder

The version control

The PDF toolkit

Досліджуйте, пишіть, перевіряйте, публікуйте.

дослідження