論文の概要: Semi-supervised on-device neural network adaptation for remote and
portable laser-induced breakdown spectroscopy
- arxiv url: http://arxiv.org/abs/2104.03439v1
- Date: Thu, 8 Apr 2021 00:20:36 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-09 12:51:34.910231
- Title: Semi-supervised on-device neural network adaptation for remote and
portable laser-induced breakdown spectroscopy
- Title（参考訳）: リモートおよびポータブルレーザー誘起分解分光のための半教師付きオンデバイスニューラルネットワーク適応
- Authors: Kshitij Bhardwaj and Maya Gokhale
- Abstract要約: LIBS用軽量多層パーセプトロン(MLP)モデルを導入し、新しい入力データのラベルを必要とせずにオンデバイスで適応できます。
データストリーミング中の平均精度は89.3%で、適応をサポートしないモデルに比べて最大2.1%高い精度を示している。
- 参考スコア（独自算出の注目度）: 0.22843885788439797
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Laser-induced breakdown spectroscopy (LIBS) is a popular, fast elemental
analysis technique used to determine the chemical composition of target
samples, such as in industrial analysis of metals or in space exploration.
Recently, there has been a rise in the use of machine learning (ML) techniques
for LIBS data processing. However, ML for LIBS is challenging as: (i) the
predictive models must be lightweight since they need to be deployed in highly
resource-constrained and battery-operated portable LIBS systems; and (ii) since
these systems can be remote, the models must be able to self-adapt to any
domain shift in input distributions which could be due to the lack of different
types of inputs in training data or dynamic environmental/sensor noise. This
on-device retraining of model should not only be fast but also unsupervised due
to the absence of new labeled data in remote LIBS systems. We introduce a
lightweight multi-layer perceptron (MLP) model for LIBS that can be adapted
on-device without requiring labels for new input data. It shows 89.3% average
accuracy during data streaming, and up to 2.1% better accuracy compared to an
MLP model that does not support adaptation. Finally, we also characterize the
inference and retraining performance of our model on Google Pixel2 phone.
- Abstract（参考訳）: レーザー誘起分解分光法(LIBS)は、金属の工業分析や宇宙探査など、ターゲット試料の化学組成を決定するために用いられる、一般的な高速元素分析法である。
近年,LIBSデータ処理における機械学習(ML)技術の利用が増加している。
しかし、LIBSのMLは、 (i) 予測モデルは、高度にリソースを制約されたバッテリー駆動のポータブルなLIBSシステムにデプロイする必要があるため軽量でなければならない; (ii) 遠隔操作が可能であるため、モデルは、トレーニングデータや動的環境/センサノイズに異なる入力タイプがないため、入力分布におけるドメインシフトに自己適応できなければならない。
このオンデバイスでのモデルのリトレーニングは、リモートlibsシステムに新しいラベル付きデータがないため、高速であるだけでなく、教師なしであるべきである。
本稿では,新たな入力データに対してラベルを必要とせずにデバイス上で適用可能な軽量多層パーセプトロン(MLP)モデルを提案する。
データストリーミング中の平均精度は89.3%、適応をサポートしないMLPモデルに比べて最大2.1%高い精度を示している。
また,Google Pixel2電話機上でのモデルの推論と再トレーニング性能も特徴付ける。
関連論文リスト
- Scaling Laws for Predicting Downstream Performance in LLMs [75.28559015477137]
この研究は、性能評価のためのより効率的な指標として、事前学習損失に焦点を当てている。
我々は、データソース間のFLOPに基づいて、ドメイン固有の事前学習損失を予測するために、電力法解析関数を拡張した。
我々は2層ニューラルネットワークを用いて、複数のドメイン固有の損失と下流性能の非線形関係をモデル化する。
論文 参考訳（メタデータ） (2024-10-11T04:57:48Z) - Optimization of Lightweight Malware Detection Models For AIoT Devices [2.4947404267499587]
マルウェア侵入はInternet of Things(IoT)とArtificial Intelligence of Things(AIoT)デバイスの問題である。
本研究の目的は、提案するスーパーラーナーメタ学習アンサンブルモデルを最適化して、ローエンドのAIoTデバイスで実現できるようにすることである。
論文 参考訳（メタデータ） (2024-04-06T09:30:38Z) - Semi-Supervised Class-Agnostic Motion Prediction with Pseudo Label
Regeneration and BEVMix [59.55173022987071]
クラス非依存動作予測のための半教師あり学習の可能性について検討する。
我々のフレームワークは一貫性に基づく自己学習パラダイムを採用しており、ラベルのないデータからモデルを学習することができる。
本手法は,弱さと完全教師付き手法に匹敵する性能を示す。
論文 参考訳（メタデータ） (2023-12-13T09:32:50Z) - Efficient Model Adaptation for Continual Learning at the Edge [15.334881190102895]
ほとんどの機械学習(ML)システムは、トレーニングとデプロイメントの間、定常的で一致したデータ分散を前提としている。
データ分布は、環境要因、センサー特性、タスク・オブ・関心などの変化により、時間とともに変化することが多い。
本稿では,ドメインシフト下での効率的な連続学習のためのアダプタ・リコンフィグレータ(EAR)フレームワークを提案する。
論文 参考訳（メタデータ） (2023-08-03T23:55:17Z) - Closing the loop: Autonomous experiments enabled by
machine-learning-based online data analysis in synchrotron beamline
environments [80.49514665620008]
機械学習は、大規模または高速に生成されたデータセットを含む研究を強化するために使用できる。
本研究では,X線反射法(XRR)のための閉ループワークフローへのMLの導入について述べる。
本研究では,ビームライン制御ソフトウェア環境に付加的なソフトウェア依存関係を導入することなく,実験中の基本データ解析をリアルタイムで行うソリューションを提案する。
論文 参考訳（メタデータ） (2023-06-20T21:21:19Z) - Convolutional Neural Networks for the classification of glitches in
gravitational-wave data streams [52.77024349608834]
我々は、高度LIGO検出器のデータから過渡ノイズ信号(グリッチ)と重力波を分類する。
どちらも、Gravity Spyデータセットを使用して、スクラッチからトレーニングされた、教師付き学習アプローチのモデルを使用します。
また、擬似ラベルの自動生成による事前学習モデルの自己教師型アプローチについても検討する。
論文 参考訳（メタデータ） (2023-03-24T11:12:37Z) - LEAPER: Modeling Cloud FPGA-based Systems via Transfer Learning [13.565689665335697]
LEAPERは,既存のMLベースモデルを未知の環境に適応させるFPGAベースのシステムに対して,トランスファーラーニングに基づくアプローチを提案する。
その結果,5ショットの学習を行うクラウド環境において,移動モデルを用いて予測を行う場合,平均85%の精度が得られた。
論文 参考訳（メタデータ） (2022-08-22T21:25:56Z) - Federated Split GANs [12.007429155505767]
ユーザデバイス自体でMLモデルをトレーニングするための代替手法を提案する。
我々は、GAN(ジェネレーティブ・逆境ネットワーク)に注目し、その固有のプライバシー保護属性を活用する。
我々のシステムはデータのプライバシを保ち、短時間のトレーニング時間を保ち、制約のないデバイスで同じ精度でモデルトレーニングを行う。
論文 参考訳（メタデータ） (2022-07-04T23:53:47Z) - Modelling of Received Signals in Molecular Communication Systems based
machine learning: Comparison of azure machine learning and Python tools [0.0]
本稿では、フレキシブルな舗装維持レグレッション問題とソリューションにAzure Machine Learning(Azure ML)を適用する。
予測には、受信機半径、送信機半径、受信機と送信機の距離、拡散係数の4つのパラメータが入力として使用される。
確立されたAzure MLでは、決定木回帰、ベイズ線形回帰、ニューラルネットワーク、決定森林回帰などの回帰アルゴリズムが選択される。
論文 参考訳（メタデータ） (2021-12-19T18:15:17Z) - Fast-Convergent Federated Learning [82.32029953209542]
フェデレーション学習は、モバイルデバイスの現代的なネットワークを介して機械学習タスクを分散するための、有望なソリューションである。
本稿では,FOLBと呼ばれる高速収束型フェデレーション学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-07-26T14:37:51Z) - Transfer Learning without Knowing: Reprogramming Black-box Machine
Learning Models with Scarce Data and Limited Resources [78.72922528736011]
そこで我々は,ブラックボックス・アタベラル・リプログラミング (BAR) という新しい手法を提案する。
ゼロオーダー最適化とマルチラベルマッピング技術を用いて、BARは入力出力応答のみに基づいてブラックボックスMLモデルをプログラムする。
BARは最先端の手法より優れ、バニラ対逆プログラミング法に匹敵する性能を得る。
論文 参考訳（メタデータ） (2020-07-17T01:52:34Z)
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。