Viết
tài liệu nghiên cứu
giống như bạn viết mã.

Oleafly là không gian nghiên cứu đầu tiên tại địa phương dành cho LaTeX, Typst và Markdown. Các dự án của bạn tồn tại dưới dạng các tệp đơn giản trên máy của bạn với lịch sử Git thực, trình biên dịch được cung cấp trong hộp và tác nhân AI tùy chọn xác minh các chỉnh sửa của chính nó bằng cách biên dịch và đọc tệp PDF. Không có tài khoản, không đo từ xa, không cài đặt TeX.

Tải xuống miễn phí Đọc tài liệu

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

Được xây dựng giống như một trình soạn thảo mã

Mọi thứ khác bạn mong đợi. Trên máy của bạn.

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.

Nhập những gì bạn có

Tái tạo nhiều tệp PDF dựa trên văn bản thành LaTeX có thể chỉnh sửa cục bộ, chuyển đổi DOCX thông qua Pandoc được quản lý hoặc để mô hình tầm nhìn ghi lại ảnh của một trang. Tùy chọn sàng lọc AI sau.

Xuất khẩu nơi bạn đang đến

PDF luôn; DOCX, HTML, Markdown, v.v. thông qua các menu xuất theo ngữ cảnh được Pandoc hỗ trợ. Hoặc lấy toàn bộ dự án dưới dạng ZIP nguồn.

Biến nó thành của bạn

Chế độ Vim, chủ đề sáng và tối, màu nhấn, bảy cài đặt trước bố cục và phím tắt có thể chỉnh sửa. Một trình soạn thảo phải phù hợp với bàn tay của bạn.

Viết bằng mã hoặc hình ảnh

Biến bất kỳ tài liệu LaTeX hoặc Markdown nào thành trình chỉnh sửa trực quan: tiêu đề, danh sách, in đậm, liên kết, chỉnh sửa trực tiếp, phối hợp hoàn tác trên cả hai chế độ. Các lệnh không được hỗ trợ vẫn hiển thị dưới dạng khối thô thay vì bị loại bỏ một cách âm thầm, do đó, hành trình quay lại nguồn không bị phá hủy.

SyncTeX, cấp độ từ

⌘-nhấp vào một từ trong tệp PDF và tìm đến từ chính xác đó trong nguồn. Quay lại với ⌘⇧J.

Mã thông minh

Đi tới định nghĩa, tìm tài liệu tham khảo và đổi tên nhãn, khóa trích dẫn hoặc macro trên mọi tệp.

Lệnh gạch chéo

Nhập / để có menu chèn kiểu Notion: /figure, /table, /section, /cite, /math.

Trích dẫn của DOI

Dán DOI, id arXiv hoặc URL. Oleafly tìm nạp BibTeX, loại bỏ nó và chèn \\cite.

Mang theo toàn bộ thư viện của bạn

Nhập hàng loạt BibTeX, RIS, EndNote XML và Zotero RDF. Mọi thứ đều được loại trừ khỏi dự án của bạn trước khi một mục nhập duy nhất xuất hiện trong .bib.

Bảng lệnh

⌘K tìm kiếm mờ mọi hành động trong ứng dụng: dự án, tệp, cài đặt, rất nhiều.

Mang theo AI của riêng bạn

Chín nhà cung cấp hoặc Ollama địa phương, tất cả đều có cùng phê duyệt cho mỗi thay đổi. Các máy khách MCP như Claude Code và Cursor kết nối theo cùng một cách. Hoặc tắt AI. Biên tập viên không cần nó.

Nghiên cứu về vòi

Tác nhân tìm kiếm alphaXiv và OpenAlex, lấy nội dung giấy và xác minh các trích dẫn dựa trên Crossref trước khi chúng đưa vào thư mục của bạn.

Chính tả và ngữ pháp ngoại tuyến

Hunspell và Harper chạy dưới dạng WASM trên máy của bạn, che giấu các lệnh và phép toán để chỉ kiểm tra văn xuôi.

Một đại lý ghi nhớ

Các ghi chú bộ nhớ lâu bền cho mỗi dự án và danh sách kiểm tra kế hoạch hiển thị vẫn tồn tại trong các cuộc trò chuyện, do đó AI sẽ tiếp tục từ nơi nó đã dừng lại.

Từ một trang đến sáu trăm

Trình chỉnh sửa và trình xem PDF ảo hóa luôn hoạt động trơn tru cho dù đó là sơ yếu lý lịch một trang hay luận văn dài một cuốn sách.

Trình xem PDF để đọc thực sự

Tách bản xem trước sang màn hình thứ hai, đọc hai trang, đảo màu cho những đêm khuya hoặc chuyển sang chế độ toàn màn hình để trình bày.

Trình soạn thảo sơ đồ

Mô tả một sơ đồ và AI viết TikZ, biên dịch hình một cách riêng biệt và sửa các phần trùng lặp bằng cách xem kết xuất. Hoặc tự vẽ: hình dạng, cạnh và trình kiểm tra trên canvas thực, di chuyển khứ hồi bằng TikZ được tạo. Xuất PNG có độ phân giải cao trong suốt, hoàn toàn ngoại tuyến.

Ba động cơ, một không gian làm việc

Các dự án LaTeX, Typst và Markdown đặt cạnh nhau trong cùng một thư viện, có cùng lịch sử Git, bản xem trước, tìm kiếm và quy trình làm việc 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.

Vòng lặp nghiên cứu

Nghiên cứu, viết, xác minh, xuất bản.

Một bài viết là một tạo phẩm được thiết kế: nguồn, tài liệu tham khảo, số liệu, đầu ra của trình biên dịch và lịch sử. Oleafly chạy toàn bộ vòng lặp trong một không gian làm việc và mỗi bước đều có thể kiểm tra được.

1
Nghiên cứu
Phân giải DOI và id arXiv vào BibTeX, tìm kiếm Crossref, OpenAlex và alphaXiv, xác minh các trích dẫn trước khi chúng xuất hiện trong thư mục và theo dõi thời hạn hội nghị bên cạnh bài viết.
2
Viết
Các tệp LaTeX, Typst hoặc Markdown đơn giản trong một thư mục thông thường, với các mẫu, thông tin mã toàn bộ dự án và tác nhân AI được kiểm soát phê duyệt tùy chọn.
3
Xác minh
Các công cụ đi kèm biên dịch cục bộ với các lỗi có thể đọc được. Bản xem trước PDF đồng bộ hóa với từng từ nguồn, Preflight hiển thị những gì trình phân tích cú pháp và trình đọc màn hình trích xuất, đồng thời các điểm kiểm tra Git giúp mọi trạng thái đều có thể phục hồi được.
4
Xuất bản
Xuất PDF, DOCX hoặc HTML, nén nguồn cho hệ thống gửi và arXiv, đồng thời đẩy tới GitHub. Tờ giấy được gửi từ cùng một thư mục mà nó được viết vào.

So sánh ra sao

Không gian nghiên cứu duy nhất được xây dựng để thay thế mọi công cụ còn lại.

Soạn thảo, biên dịch, hiệu đính, tìm kiếm tài liệu, quản lý trích dẫn, xem xét PDF, tự động hóa chỉnh sửa và hoàn thiện bài nghiên cứu—tất cả ở một nơi. Oleafly đưa toàn bộ bộ công cụ nghiên cứu vào một ứng dụng miễn phí, mã nguồn mở. Hãy xem các lựa chọn khác còn thiếu gì trong bảng dưới đây. Tài liệu.

		Oleafly	OpenAI Prism	Overleaf	Typst Web App	Curvenote	LyX	TeXstudio	Texifier	VS Code + LaTeX	Paperpal	Writefull	Trình tạo CV
Quyền sở hữu và truy cập	Giá	Miễn phí và mã nguồn mở. Không cần đăng ký gói Oleafly	Miễn phí với tài khoản ChatGPT	Có gói miễn phí. Các gói trả phí bổ sung tính năng	Có gói miễn phí. Gói Pro tính thêm phí	Có gói miễn phí. Các gói trả phí bổ sung dự án riêng tư	Miễn phí và mã nguồn mở	Miễn phí, GPL	Trả phí. Có bản dùng thử miễn phí	Miễn phí. AI có giới hạn hoặc cần gói trả phí	Có gói miễn phí. Gói Prime tính thêm phí	Có gói miễn phí. Gói Premium tính thêm phí	Tùy dịch vụ. Phần lớn yêu cầu đăng ký gói
	Không cần tài khoản	Có	Không	Không	Không	Không	Có	Có	Có	Có	Không	Không	Tùy dịch vụ
	Hoạt động ngoại tuyến	Soạn thảo, hiệu đính, xem trước và biên dịch ngoại tuyến	Không, không gian làm việc trên đám mây	Không, dịch vụ đám mây	Không. Ứng dụng web cần kết nối mạng	Không. Trình soạn thảo là dịch vụ đám mây	Có	Có	Có	Có	Không	Không	Hiếm khi
	Tệp được lưu trên ổ đĩa của bạn	Thư mục cục bộ do bạn sở hữu. Tự lưu trữ dịch vụ đồng bộ đám mây	Lưu trữ đám mây	Lưu trữ đám mây	Lưu trữ đám mây. Trình biên dịch có thể chạy cục bộ	Lưu trữ đám mây	Có	Có	Tệp cục bộ và nhà cung cấp tệp	Có	Dịch vụ đám mây và tích hợp với trình soạn thảo	Tệp vẫn nằm trong Word hoặc Overleaf	Thường lưu trữ trên đám mây
	Lịch sử phiên bản	Các mốc Git tự động, kèm so sánh thay đổi và khôi phục	Các bản sửa đổi trên đám mây	Lịch sử đầy đủ trong các gói trả phí	Đồng bộ Git trong gói Pro	Lịch sử phiên bản tích hợp sẵn	Git và các hệ thống quản lý phiên bản khác	Thủ công hoặc SVN	Sử dụng nhà cung cấp tệp hoặc công cụ Git	Git tích hợp sẵn, do bạn tự cấu hình	Chưa có tài liệu mô tả	Sử dụng lịch sử của ứng dụng chủ	Tùy dịch vụ
	Cộng tác theo thời gian thực	Sắp ra mắt. Cộng tác không giới hạn. Tự lưu trữ	Không giới hạn cộng tác viên	Tích hợp sẵn. Giới hạn tùy theo gói	Tích hợp sẵn	Chỉnh sửa theo thời gian thực và bình luận	Không hỗ trợ đồng chỉnh sửa trực tiếp	Không hỗ trợ đồng chỉnh sửa trực tiếp	Không hỗ trợ đồng chỉnh sửa trực tiếp	Thông qua Live Share	Sử dụng Word, Google Docs hoặc Overleaf	Sử dụng Word hoặc Overleaf	Tùy dịch vụ
	Đồng bộ đám mây	Sắp ra mắt. Truy cập bằng trình duyệt trong khi tệp vẫn nằm trên máy của bạn	Không gian làm việc trên đám mây	Không gian làm việc trên đám mây, cộng thêm đồng bộ Git và Dropbox trong gói trả phí	Không gian làm việc trên đám mây, cộng thêm đồng bộ Git trong gói Pro	Dự án trên đám mây và quy trình xuất bản liên kết	Dùng Git hoặc dịch vụ đồng bộ riêng	Dùng Git hoặc dịch vụ đồng bộ riêng	Đồng bộ trực tiếp qua Texifier Connect	Dùng Git hoặc dịch vụ đồng bộ riêng	Không gian làm việc trên đám mây	Hoạt động trong Word hoặc Overleaf	Thường lưu trữ trên đám mây
	Không gian nhóm	Sắp ra mắt. Mẫu, thư viện và quy trình đánh giá dùng chung	Dự án dùng chung với số cộng tác viên không giới hạn	Gói dành cho nhóm và tổ chức	Dự án dùng chung, cộng thêm phương án triển khai tại chỗ cho tổ chức	Không gian làm việc nhóm và kiểm soát truy cập	Không tích hợp không gian nhóm	Không tích hợp không gian nhóm	Dự án dùng chung qua Texifier Connect	Tổ chức GitHub và Live Share	Bảng điều khiển dành cho tổ chức và quản lý giấy phép	Quyền truy cập dành cho tổ chức	Tùy dịch vụ
Soạn thảo và xuất bản	Công cụ xử lý tài liệu	LaTeX, Typst và Markdown trong cùng một không gian làm việc	Chỉ LaTeX	Chỉ LaTeX	Chỉ Typst	MyST Markdown và Jupyter	LaTeX và DocBook	Chỉ LaTeX	LaTeX và Markdown	Thông qua tiện ích mở rộng	Word, Google Docs, web và Overleaf	Word và Overleaf LaTeX	Chỉ các định dạng CV
	Thiết lập TeX	Tích hợp sẵn Tectonic và Typst. Không cần cài TeX	Không cần cài đặt. Biên dịch trên đám mây	Không cần cài đặt. Biên dịch trên đám mây	Không cần cài TeX	Không cần cài TeX	Cài đặt một bản phân phối TeX	Cài đặt một bản phân phối TeX	Công cụ dàn trang và trình quản lý gói tích hợp sẵn	Cài tiện ích mở rộng và TeX	Sử dụng Overleaf cho LaTeX	Sử dụng Overleaf cho LaTeX	Không cần thiết lập TeX
	Chỉnh sửa mã nguồn và trực quan	Chỉnh sửa mã nguồn và trực quan, chuyển đổi hai chiều không làm mất dữ liệu	Mã nguồn và bản xem trước	Mã nguồn và chế độ văn bản đa dạng thức	Mã nguồn và bản xem trước trực tiếp	Trình soạn thảo trực quan hỗ trợ công thức LaTeX	Trình soạn thảo trực quan có cấu trúc	Chỉ mã nguồn	Mã nguồn và bản xem trước PDF	Chỉ mã nguồn	Trợ lý viết trực quan	Đề xuất chỉnh sửa ngay trong văn bản	Chỉ trực quan
	Phân tích mã trên toàn dự án	Tự động hoàn thành, định nghĩa, tham chiếu và đổi tên trên toàn dự án	Trình soạn thảo và hỗ trợ AI	Tự động hoàn thành và tìm kiếm tham chiếu	Lỗi, tự động hoàn thành và Assists	Tham chiếu và phương trình có cấu trúc	Nhãn, tham chiếu, dàn ý và tự động hoàn thành	Kiểm tra cấu trúc và tham chiếu	Tự động hoàn thành, dàn ý, tham chiếu và tìm kiếm	LaTeX Workshop IntelliSense	Không có công cụ mã LaTeX	TeXGPT dành cho mã LaTeX	Không
	Đồng bộ mã nguồn và PDF	Đồng bộ hai chiều giữa mã nguồn và PDF đến cấp độ từ	Xem trước PDF tức thì	Đồng bộ mã nguồn và PDF	Xem trước trực tiếp	Không đồng bộ mã nguồn và PDF	Mã nguồn và bản xem trước đầu ra	Gần đến cấp độ từ	Đồng bộ mã nguồn và PDF	SyncTeX xuôi và ngược	Không	Sử dụng bản xem trước của Overleaf	Không
	Chế độ đọc PDF	Trình xem tích hợp, cùng các chế độ cửa sổ riêng, hai trang, tối và đọc	Bản xem trước tích hợp	Bản xem trước tích hợp	Bản xem trước tích hợp	Xem trước tài liệu	Sử dụng trình xem PDF	Trình xem tích hợp	Trình xem PDF tích hợp	Trình xem dạng tiện ích mở rộng, có chế độ đảo màu	Trò chuyện với PDF	Không có trình đọc PDF	Xem trước tài liệu
	Mẫu tài liệu	Hơn 100 mẫu khởi đầu cùng các mẫu tùy chỉnh có thể tái sử dụng	Chưa có tài liệu mô tả	Kho mẫu lớn từ các nhà xuất bản	Typst Universe và mẫu riêng tư trong gói Pro	Mẫu chuyên nghiệp trong các gói trả phí	Các lớp tài liệu tích hợp sẵn	Mẫu tích hợp sẵn và mẫu của người dùng	Chưa có tài liệu mô tả	Đoạn mã mẫu và mẫu từ cộng đồng	Chưa có tài liệu mô tả	Không	Tính năng cốt lõi
	Nhập dự án và tài liệu	Tệp và ZIP, cùng PDF, DOCX, Markdown, hình ảnh và thư mục	Thư mục, ZIP hoặc kéo thả	Tệp, ZIP và các tích hợp trả phí	Chuyển đổi LaTeX, Word và Markdown	Nhập nội dung Jupyter và tài liệu tham khảo	LaTeX và các định dạng văn bản khác	Mở tệp mã nguồn cục bộ	Thư mục cục bộ và tệp trên đám mây	Mở tệp mã nguồn cục bộ	Tải lên PDF và tài liệu	Tài liệu Word và Overleaf	Thường là PDF hoặc DOCX
	Định dạng xuất	PDF và ZIP mã nguồn, cùng DOCX, HTML và Markdown	PDF và tệp dự án	PDF và ZIP mã nguồn	PDF, PNG và SVG	PDF, Word, LaTeX, Typst và MyST	PDF, HTML, Word, RTF, ePub và nhiều định dạng khác	PDF và tệp mã nguồn	PDF và tệp mã nguồn	Phụ thuộc vào công cụ cục bộ	Quy trình làm việc với Word	Các thay đổi được theo dõi trong Word	Thường là PDF và DOCX
Nghiên cứu và AI	Lựa chọn mô hình AI	Không phụ thuộc mô hình. Nhà cung cấp dịch vụ lưu trữ, điểm cuối tùy chỉnh hoặc Ollama cục bộ	Tích hợp sẵn các mô hình OpenAI	AI nghiên cứu tích hợp sẵn. Hạn mức hằng ngày tùy theo gói	Compiler Assists	Chưa có tài liệu mô tả	Không có	Không có	Không có	Copilot, BYOK hoặc tiện ích mở rộng	Paperpal AI	Các mô hình Writefull và GPT	Tích hợp sẵn. Khả năng chọn mô hình tùy dịch vụ
	AI cục bộ	Ollama cục bộ. Không cần nhà cung cấp dịch vụ lưu trữ	Không	Không	Không	Không	Không	Không tích hợp AI	Không	BYOK hoặc tiện ích mở rộng	Không	Không	Không
	Xem lại chỉnh sửa của AI trước khi áp dụng	Bản so sánh thay đổi có thể xem lại, cùng quyền phê duyệt từng chỉnh sửa	Giữ lại hoặc Hoàn tác	Xem lại đề xuất của AI	Xem lại từng Assist	Chưa có tài liệu mô tả	Không tích hợp AI	Không tích hợp AI	Không tích hợp AI	Xem lại thay đổi	Xem lại đề xuất chỉnh sửa	Theo dõi Thay đổi	Tùy dịch vụ
	AI kiểm tra kết quả đã kết xuất	Chỉnh sửa mã nguồn, biên dịch rồi kiểm tra PDF đã kết xuất	Bạn tự biên dịch lại để xác nhận	Bạn tự biên dịch lại để xác nhận	Bản xem trước sau khi biên dịch	Không	Không tích hợp AI	Không tích hợp AI	Không tích hợp AI	Kiểm tra bản dựng nhưng không xem xét PDF	Không xem xét PDF đã kết xuất	Không xem xét PDF đã kết xuất	Không
	Tìm kiếm tài liệu và trích dẫn	Tìm kiếm tài liệu trên alphaXiv và OpenAlex, có xác minh qua Crossref	Tìm kiếm tài liệu tích hợp sẵn	Tìm kiếm tài liệu tham khảo cùng đề xuất trích dẫn bằng AI	Không tích hợp tìm kiếm	Tra cứu trích dẫn bằng DOI	Không tích hợp tìm kiếm	Không	Không tích hợp tìm kiếm	Thông qua AI hoặc tiện ích mở rộng	Tìm kiếm trên hơn 250 triệu bài báo	Writefull Cite tìm các trích dẫn còn thiếu	Không
	Tác nhân nghiên cứu tự chủ	Sắp ra mắt. Các tác nhân tìm kiếm tài liệu, xác minh trích dẫn, soạn bản nháp và gửi bạn bản so sánh thay đổi	Chưa có tài liệu mô tả	Chưa có tài liệu mô tả	Không	Chưa có tài liệu mô tả	Không	Không	Không	Thông qua tiện ích AI	Không	Không	Không
	Nhập thư viện tài liệu tham khảo	BibTeX, RIS, EndNote và Zotero, có loại bỏ trùng lặp trước khi nhập	Đồng bộ Zotero	Tích hợp tài liệu tham khảo trong các gói trả phí	Đồng bộ Zotero và Mendeley trong gói Pro	Zotero, Mendeley và EndNote	Tệp BibTeX	Hoạt động với tệp BibTeX	Tệp BibTeX	Thông qua tiện ích mở rộng	Trình tạo trích dẫn	Không nhập thư viện	Không
	MCP dành cho tác nhân AI bên ngoài	Máy chủ MCP tích hợp sẵn cho Claude Code, Cursor và các tác nhân khác	Không	Không	Không	Không	Không	Không	Không	Có	Không	Không	Không
	Kiểm tra chính tả và ngữ pháp	Kiểm tra chính tả và ngữ pháp ngoại tuyến, riêng tư, cùng kiểm tra văn xuôi có nhận biết LaTeX	Hiệu đính bằng AI	Kiểm tra chính tả tích hợp sẵn, cùng phản hồi AI chuyên biệt cho nghiên cứu	Chưa có tài liệu mô tả	Chưa có tài liệu mô tả	Hunspell, Aspell và từ điển đồng nghĩa	Kiểm tra chính tả và ngữ pháp tương tác	Kiểm tra chính tả	Thông qua tiện ích mở rộng hoặc AI	Ngữ pháp và văn phong học thuật	Phản hồi về ngôn ngữ học thuật	Mức kiểm tra cơ bản tùy dịch vụ
	Công cụ sơ đồ trực quan và AI	Khung vẽ trực quan, cùng TikZ do AI tạo và kiểm tra kết quả kết xuất	Chuyển hình ảnh và giọng nói thành mã	TikZ thủ công và công cụ AI	Các gói Typst và công cụ vẽ gốc	Biểu đồ và hình minh họa tương tác	Bảng trực quan và công cụ hình ảnh	TikZ thủ công với công cụ hỗ trợ trong trình soạn thảo	TikZ thủ công	Thủ công hoặc qua tiện ích mở rộng	Không	Bảng, phương trình và hình minh họa bằng AI	Không
Chất lượng và gửi bài	Kiểm tra trước khi gửi bài	Kiểm tra biên dịch, cùng các tiêu chí về nơi gửi bài, ATS, khả năng tiếp cận, tài liệu tham khảo và quyền riêng tư	AI đánh giá nhưng không có bộ công cụ gửi bài	Kiểm tra biên dịch	Lỗi trình biên dịch và Assists	Công cụ tuân thủ SCMS	Nhật ký trình biên dịch và ChkTeX tùy chọn	Lỗi và cảnh báo	Lỗi trình biên dịch rõ ràng	Kiểm tra mã qua tiện ích mở rộng	Hơn 30 tiêu chí kiểm tra trước khi gửi bài	Đánh giá chất lượng ngôn ngữ	Chỉ kiểm tra CV
	Kiểm tra CV bằng ATS	Kiểm tra ATS có chấm điểm, cùng bản xem trước văn bản được trích xuất	Không	Không	Không	Không	Không	Không	Không	Không tích hợp kiểm tra	Không	Không	Tùy dịch vụ. Cách chấm điểm thường không rõ ràng
	Kiểm tra khả năng tiếp cận	Kiểm tra khả năng tiếp cận, cùng chuẩn bị cho quy trình xuất tệp có gắn thẻ	Không	Không	Chưa có tài liệu mô tả	Xuất bản web có cấu trúc	Tài liệu có cấu trúc. Không có bước kiểm tra trước	Không	Chưa có tài liệu mô tả	Không tích hợp kiểm tra	Không	Không	Tùy dịch vụ

Chính xác là quyền riêng tư

Địa phương theo mặc định. Mạng theo sự lựa chọn.

Không có lời hứa mơ hồ nào: đây chính xác là những gì vẫn còn trên máy của bạn và chính xác khi nào Oleafly chạm vào mạng. Không có tài khoản, không có phép đo từ xa và các báo cáo sự cố sẽ được mở để bạn xem xét trước khi gửi bất kỳ thứ gì. Sự riêng tư.

Luôn mang tính địa phương

Viết, chỉnh sửa và các tệp dự án của bạn
Biên dịch với các gói được lưu trong bộ nhớ đệm (Tectonic & Typst xuất hiện trong ứng dụng)
Lịch sử Git, khác biệt và khôi phục

Mạng, chỉ khi bạn hành động

Các nhà cung cấp AI được lưu trữ sẽ nhận được ngữ cảnh bạn gửi cho họ
GitHub xuất bản, đẩy và kéo
Tra cứu trích dẫn (DOI, arXiv, Crossref) và kết nối nghiên cứu (OpenAlex, alphaXiv)

Triết lý

Tài liệu sẽ tồn tại lâu hơn các dịch vụ.

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

Mã nguồn mở, được xây dựng nghiêm túc

Một dự án độc lập với kỷ luật sản xuất.

Oleafly được xây dựng dưới dạng mở bởi một nhà bảo trì độc lập và các bộ phận không đẹp mắt cũng được coi là tính năng của sản phẩm: hủy biên dịch, an toàn đường dẫn, chạy đua kết quả cũ, khôi phục Git, dự phòng PDF và kiểm tra đa nền tảng trên macOS, Windows và Linux.

AGPL-3.0 được cấp phép. Đọc nguồn, gửi vấn đề hoặc gửi PR trên 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.

Chính tả và ngữ pháp ngoại tuyến

Hunspell và Harper chạy dưới dạng WASM trên máy của bạn, che giấu các lệnh và phép toán để chỉ kiểm tra văn xuôi.

Tải xuống

Miễn phí. Nguồn mở. Của bạn.

Lấy trình cài đặt dựng sẵn từ bản phát hành mới nhất hoặc xây dựng từ nguồn. Không có tài khoản, không đo từ xa.

macOS Windows Linux

Các bản dựng chưa được ký mã nên hệ điều hành của bạn sẽ cảnh báo trong lần khởi chạy đầu tiên. hướng dẫn cài đặt có tính năng mở khóa một lần.

Viết (()=>{var e=async t=>{await(await t())()};(self.Astro||(self.Astro={})).load=e;window.dispatchEvent(new Event("astro:load"));})();tài liệu nghiên cứusơ yếu lý lịchluận vănđề xuất tài trợtài liệu nghiên cứugiống như bạn viết mã.

tài liệu nghiên cứu

Mọi thứ khác bạn mong đợi. Trên máy của bạn.

Nhập những gì bạn có

Xuất khẩu nơi bạn đang đến

Biến nó thành của bạn

Viết bằng mã hoặc hình ảnh

SyncTeX, cấp độ từ

Mã thông minh

Lệnh gạch chéo

Trích dẫn của DOI

Mang theo toàn bộ thư viện của bạn

Bảng lệnh

Mang theo AI của riêng bạn

Nghiên cứu về vòi

Chính tả và ngữ pháp ngoại tuyến

Một đại lý ghi nhớ

Từ một trang đến sáu trăm

Trình xem PDF để đọc thực sự

Trình soạn thảo sơ đồ

Ba động cơ, một không gian làm việc

The LaTeX editor

The AI assistant

The reference manager

The resume builder

The version control

The PDF toolkit

Nghiên cứu, viết, xác minh, xuất bản.

Nghiên cứu

Viết

Xác minh

Xuất bản

Không gian nghiên cứu duy nhất được xây dựng để thay thế mọi công cụ còn lại.

Địa phương theo mặc định. Mạng theo sự lựa chọn.

Luôn mang tính địa phương

Mạng, chỉ khi bạn hành động

Tài liệu sẽ tồn tại lâu hơn các dịch vụ.Tài liệu sẽ tồn tại lâu hơn các dịch vụ.

Một dự án độc lập với kỷ luật sản xuất.

What to know before you switch.

Miễn phí. Nguồn mở. Của bạn.

Viết
tài liệu nghiên cứu
giống như bạn viết mã.

Tài liệu sẽ tồn tại lâu hơn các dịch vụ.