論文の概要: LIMITS: Lightweight Machine Learning for IoT Systems with Resource
Limitations
- arxiv url: http://arxiv.org/abs/2001.10189v1
- Date: Tue, 28 Jan 2020 06:34:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-06 03:01:14.710312
- Title: LIMITS: Lightweight Machine Learning for IoT Systems with Resource
Limitations
- Title（参考訳）: LIMITS: リソース制限付きIoTシステムのための軽量機械学習
- Authors: Benjamin Sliwa and Nico Piatkowski and Christian Wietfeld
- Abstract要約: 我々は、IoTシステムのための新しいオープンソースのフレームワークLIghtweight Machine Learning(LIMITS)を紹介する。
LIMITSは、ターゲットIoTプラットフォームの実際のコンパイルツールチェーンを明示的に考慮した、プラットフォーム・イン・ザ・ループのアプローチを適用している。
LIMITSを携帯電話データレート予測と無線車種分類に応用し,その妥当性を検証した。
- 参考スコア（独自算出の注目度）: 8.647853543335662
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Exploiting big data knowledge on small devices will pave the way for building
truly cognitive Internet of Things (IoT) systems. Although machine learning has
led to great advancements for IoT-based data analytics, there remains a huge
methodological gap for the deployment phase of trained machine learning models.
For given resource-constrained platforms such as Microcontroller Units (MCUs),
model choice and parametrization are typically performed based on heuristics or
analytical models. However, these approaches are only able to provide rough
estimates of the required system resources as they do not consider the
interplay of hardware, compiler specific optimizations, and code dependencies.
In this paper, we present the novel open source framework LIghtweight Machine
learning for IoT Systems (LIMITS), which applies a platform-in-the-loop
approach explicitly considering the actual compilation toolchain of the target
IoT platform. LIMITS focuses on high level tasks such as experiment automation,
platform-specific code generation, and sweet spot determination. The solid
foundations of validated low-level model implementations are provided by the
coupled well-established data analysis framework Waikato Environment for
Knowledge Analysis (WEKA). We apply and validate LIMITS in two case studies
focusing on cellular data rate prediction and radio-based vehicle
classification, where we compare different learning models and real world IoT
platforms with memory constraints from 16 kB to 4 MB and demonstrate its
potential to catalyze the development of machine learning enabled IoT systems.
- Abstract（参考訳）: 小さなデバイスでビッグデータの知識を爆発させることは、真に認知的なIoT(Internet of Things)システムを構築するための道を開くだろう。
機械学習はiotベースのデータ分析において大きな進歩をもたらしたが、トレーニングされた機械学習モデルのデプロイフェーズには大きな方法論的ギャップがある。
マイクロコントローラユニット(mcu)のようなリソース制約のあるプラットフォームでは、モデルの選択とパラメータ化は通常ヒューリスティックスや分析モデルに基づいて行われる。
しかし、これらのアプローチは、ハードウェア、コンパイラ固有の最適化、およびコード依存の相互作用を考慮しないため、必要なシステムリソースを大まかに見積もることができるだけである。
本稿では,ターゲットとするiotプラットフォームの実際のコンパイルツールチェーンを明示的に考慮した,プラットフォーム・イン・ザ・ループアプローチを適用した,新しいオープンソースフレームワークであるlightweight machine learning for iot systems (limits)を提案する。
LIMITSは、実験自動化、プラットフォーム固有のコード生成、スイートスポット決定などのハイレベルなタスクに焦点を当てている。
検証済みの低レベルモデル実装の確固たる基盤は、よく確立されたデータ分析フレームワークであるWaikato Environment for Knowledge Analysis (WEKA)によって提供される。
ここでは、異なる学習モデルと実世界のIoTプラットフォームと16kBから4MBまでのメモリ制約を比較し、機械学習可能なIoTシステムの開発を触媒する可能性を実証する。
関連論文リスト
- On-Device Language Models: A Comprehensive Review [26.759861320845467]
資源制約のあるデバイスに計算コストの高い大規模言語モデルをデプロイする際の課題について検討する。
論文は、デバイス上での言語モデル、その効率的なアーキテクチャ、および最先端の圧縮技術について考察する。
主要モバイルメーカーによるオンデバイス言語モデルのケーススタディは、実世界の応用と潜在的な利益を実証している。
論文 参考訳（メタデータ） (2024-08-26T03:33:36Z) - Harris Hawks Feature Selection in Distributed Machine Learning for
Secure IoT Environments [8.690178186919635]
IoT(Internet of Things)アプリケーションは、機密データを収集および転送することができる。
ハックされたIoTデバイスを検出する新しい方法を開発する必要がある。
本稿では,Hhson Hawks Optimization(HHO)とRandom Weight Network(RWN)に基づく特徴選択(FS)モデルを提案し,IoTボットネット攻撃を検出する。
論文 参考訳（メタデータ） (2023-02-20T09:38:12Z) - On-device Training: A First Overview on Existing Systems [6.551096686706628]
リソース制約のあるデバイスにいくつかのモデルをデプロイする努力も行われている。
この研究は、デバイス上でモデルトレーニングを可能にする最先端のシステム研究を要約し、分析することを目的としている。
論文 参考訳（メタデータ） (2022-12-01T19:22:29Z) - Federated Learning and Meta Learning: Approaches, Applications, and
Directions [94.68423258028285]
本稿では,FL,メタラーニング,フェデレーションメタラーニング(FedMeta)について概観する。
他のチュートリアルと異なり、私たちの目標はFL、メタラーニング、FedMetaの方法論をどのように設計、最適化、進化させ、無線ネットワーク上で応用するかを探ることです。
論文 参考訳（メタデータ） (2022-10-24T10:59:29Z) - Incremental Online Learning Algorithms Comparison for Gesture and Visual
Smart Sensors [68.8204255655161]
本稿では,加速度センサデータに基づくジェスチャー認識と画像分類の2つの実例として,最先端の4つのアルゴリズムを比較した。
以上の結果から,これらのシステムの信頼性と小型メモリMCUへのデプロイの可能性が確認された。
論文 参考訳（メタデータ） (2022-09-01T17:05:20Z) - SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。
しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
論文 参考訳（メタデータ） (2021-12-22T14:45:37Z) - Federated Learning for Internet of Things: A Federated Learning
Framework for On-device Anomaly Data Detection [10.232121085973782]
我々は、N-BaIoT、FedDetectアルゴリズム、IoTデバイスのシステム設計を使用した合成データセットを含むFedIoTプラットフォームを構築します。
現実的なIoTデバイス(PI)のネットワークにおいて,FedIoTプラットフォームとFedDetectアルゴリズムをモデルおよびシステムパフォーマンスの両方で評価する。
論文 参考訳（メタデータ） (2021-06-15T08:53:42Z) - Reliable Fleet Analytics for Edge IoT Solutions [0.0]
AIoTアプリケーションのエッジで機械学習を容易にするためのフレームワークを提案する。
コントリビューションは、大規模にフリート分析を提供するためのサービス、ツール、メソッドを含むアーキテクチャである。
本稿では,大学キャンパスの部屋でiotデバイスを用いた実験を行うことで,フレームワークの予備検証を行う。
論文 参考訳（メタデータ） (2021-01-12T11:28:43Z) - Technology Readiness Levels for Machine Learning Systems [107.56979560568232]
機械学習システムの開発とデプロイは、現代のツールで簡単に実行できますが、プロセスは一般的に急ぎ、エンドツーエンドです。
私たちは、機械学習の開発と展開のための実証済みのシステムエンジニアリングアプローチを開発しました。
当社の「機械学習技術準備レベル」フレームワークは、堅牢で信頼性が高く、責任あるシステムを確保するための原則的なプロセスを定義します。
論文 参考訳（メタデータ） (2021-01-11T15:54:48Z) - Model-Based Deep Learning [155.063817656602]
信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。
ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。
私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
論文 参考訳（メタデータ） (2020-12-15T16:29:49Z) - Edge-assisted Democratized Learning Towards Federated Analytics [67.44078999945722]
本稿では,エッジ支援型民主化学習機構であるEdge-DemLearnの階層的学習構造を示す。
また、Edge-DemLearnを柔軟なモデルトレーニングメカニズムとして検証し、リージョンに分散制御と集約の方法論を構築する。
論文 参考訳（メタデータ） (2020-12-01T11:46:03Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。