論文の概要: An Open-Source Tool for Classification Models in Resource-Constrained
Hardware
- arxiv url: http://arxiv.org/abs/2105.05983v1
- Date: Wed, 12 May 2021 21:51:02 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-14 14:04:35.257639
- Title: An Open-Source Tool for Classification Models in Resource-Constrained
Hardware
- Title(参考訳): 資源制約ハードウェアにおける分類モデルのためのオープンソースツール
- Authors: Lucas Tsutsui da Silva, Vinicius M. A. Souza, Gustavo E. A. P. A.
Batista
- Abstract要約: 我々は,リソース制約ハードウェアの分類器を開発するためのパイプラインを実装したembmlというオープンソースツールを提案する。
当社のツールは,コンパクトかつ高精度な分類アルゴリズムの多種多様なセットを提供する。
- 参考スコア(独自算出の注目度): 4.879323079978953
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Applications that need to sense, measure, and gather real-time information
from the environment frequently face three main restrictions: power
consumption, cost, and lack of infrastructure. Most of the challenges imposed
by these limitations can be better addressed by embedding Machine Learning (ML)
classifiers in the hardware that senses the environment, creating smart sensors
able to interpret the low-level data stream. However, for this approach to be
cost-effective, we need highly efficient classifiers suitable to execute in
unresourceful hardware, such as low-power microcontrollers. In this paper, we
present an open-source tool named EmbML - Embedded Machine Learning that
implements a pipeline to develop classifiers for resource-constrained hardware.
We describe its implementation details and provide a comprehensive analysis of
its classifiers considering accuracy, classification time, and memory usage.
Moreover, we compare the performance of its classifiers with classifiers
produced by related tools to demonstrate that our tool provides a diverse set
of classification algorithms that are both compact and accurate. Finally, we
validate EmbML classifiers in a practical application of a smart sensor and
trap for disease vector mosquitoes.
- Abstract(参考訳): 環境からリアルタイム情報を感知、測定、収集する必要のあるアプリケーションは、しばしば3つの主な制限、すなわち電力消費、コスト、インフラの欠如に直面する。
これらの制限によって課される課題のほとんどは、環境を感知するハードウェアに機械学習(ml)分類器を組み込んで、低レベルのデータストリームを解釈可能なスマートセンサーを作成することで対処できる。
しかし,このアプローチが低コストであるためには,低消費電力マイクロコントローラなどの非リソースハードウェアでの実行に適した高効率な分類器が必要である。
本稿では,リソース制約ハードウェアの分類器を開発するパイプラインを実装したembmlという組み込み機械学習ツールを提案する。
実装の詳細を説明し、精度、分類時間、メモリ使用量を考慮した分類器の包括的分析を行う。
さらに,その分類器の性能を関連ツールで生成した分類器と比較し,ツールがコンパクトかつ高精度な分類アルゴリズムの多種多様なセットを提供することを示す。
最後に,病気ベクター蚊に対するスマートセンサとトラップの実用化において,embml分類器を検証する。
関連論文リスト
- LLMC: Benchmarking Large Language Model Quantization with a Versatile Compression Toolkit [55.73370804397226]
鍵圧縮技術である量子化は、大きな言語モデルを圧縮し、加速することにより、これらの要求を効果的に軽減することができる。
本稿では,プラグアンドプレイ圧縮ツールキットであるLLMCについて,量子化の影響を公平かつ体系的に検討する。
論文 参考訳(メタデータ) (2024-05-09T11:49:05Z) - Language models are weak learners [71.33837923104808]
本研究では,プロンプトベースの大規模言語モデルは弱い学習者として効果的に動作可能であることを示す。
これらのモデルをブースティングアプローチに組み込むことで、モデル内の知識を活用して、従来のツリーベースのブースティングよりも優れています。
結果は、プロンプトベースのLLMが、少数の学習者だけでなく、より大きな機械学習パイプラインのコンポーネントとして機能する可能性を示している。
論文 参考訳(メタデータ) (2023-06-25T02:39:19Z) - ML-driven Hardware Cost Model for MLIR [1.2987894327817158]
高レベルMLIRのための機械学習に基づくコストモデルを開発した。
MLIRをラ・NLPモデルのテキスト入力として考えることにより、現代のNLP研究からよく知られた技術を適用することができる。
これらのモデルにより,種々のハードウェア特性に対する誤差境界が低く,合理的に優れた推定値が得られることを示す。
論文 参考訳(メタデータ) (2023-02-14T11:32:47Z) - Utilizing Domain Knowledge: Robust Machine Learning for Building Energy
Prediction with Small, Inconsistent Datasets [1.1081836812143175]
機械学習(ML)アプリケーションに対する膨大なデータ需要は、現在ボトルネックとなっている。
本稿では,先行知識とデータ駆動手法を組み合わせることで,データの依存性を大幅に低減する手法を提案する。
知識符号化データ駆動手法としてCBMLをエネルギー効率の高い建築工学の文脈で検討する。
論文 参考訳(メタデータ) (2023-01-23T08:56:11Z) - 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) - Adaptive Hierarchical Similarity Metric Learning with Noisy Labels [138.41576366096137]
適応的階層的類似度メトリック学習法を提案する。
ノイズに敏感な2つの情報、すなわち、クラスワイドのばらつきとサンプルワイドの一貫性を考える。
提案手法は,現在の深層学習手法と比較して,最先端の性能を実現する。
論文 参考訳(メタデータ) (2021-10-29T02:12:18Z) - Automated Machine Learning Techniques for Data Streams [91.3755431537592]
本稿では、最先端のオープンソースAutoMLツールを調査し、ストリームから収集したデータに適用し、時間とともにパフォーマンスがどのように変化するかを測定する。
この結果から,既製のAutoMLツールで十分な結果が得られることが示されたが,概念ドリフトや検出,適応といった手法が適用されれば,予測精度を時間とともに維持することが可能になる。
論文 参考訳(メタデータ) (2021-06-14T11:42:46Z) - A Survey on Large-scale Machine Learning [67.6997613600942]
機械学習はデータに対する深い洞察を与え、マシンが高品質な予測を行うことを可能にする。
ほとんどの高度な機械学習アプローチは、大規模なデータを扱う場合の膨大な時間コストに悩まされる。
大規模機械学習は、ビッグデータからパターンを、同等のパフォーマンスで効率的に学習することを目的としている。
論文 参考訳(メタデータ) (2020-08-10T06:07:52Z) - Decoding machine learning benchmarks [0.0]
アイテム応答理論(IRT)は、優れた機械学習ベンチマークとなるべきものを解明するための新しいアプローチとして登場した。
IRTは、よく知られたOpenML-CC18ベンチマークを探索し、分類器の評価にどの程度適しているかを特定した。
論文 参考訳(メタデータ) (2020-07-29T14:39:41Z)
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。