論文の概要: Reservoir Based Edge Training on RF Data To Deliver Intelligent and
Efficient IoT Spectrum Sensors
- arxiv url: http://arxiv.org/abs/2106.16087v1
- Date: Thu, 1 Apr 2021 20:08:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-05 21:54:29.099778
- Title: Reservoir Based Edge Training on RF Data To Deliver Intelligent and
Efficient IoT Spectrum Sensors
- Title（参考訳）: インテリジェントで効率的なIoTスペクトルセンサを実現するためのRFデータに基づく貯留層エッジトレーニング
- Authors: Silvija Kokalj-Filipovic, Paul Toliver, William Johnson, Rob Miller
- Abstract要約: 本稿では,コンパクトなモバイルデバイス上での汎用機械学習アルゴリズムをサポートする処理アーキテクチャを提案する。
Deep Delay Loop Reservoir Computing (DLR)は、Stand-of-the-Art (SoA)と比較して、フォームファクタ、ハードウェアの複雑さ、レイテンシを低減します。
状態ベクトルを線形に結合した複数の小さなループからなるDLRアーキテクチャを、リッジ回帰に対する低次元入力を生成する。
- 参考スコア（独自算出の注目度）: 0.6451914896767135
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Current radio frequency (RF) sensors at the Edge lack the computational
resources to support practical, in-situ training for intelligent spectrum
monitoring, and sensor data classification in general. We propose a solution
via Deep Delay Loop Reservoir Computing (DLR), a processing architecture that
supports general machine learning algorithms on compact mobile devices by
leveraging delay-loop reservoir computing in combination with innovative
electrooptical hardware. With both digital and photonic realizations of our
design of the loops, DLR delivers reductions in form factor, hardware
complexity and latency, compared to the State-of-the-Art (SoA). The main impact
of the reservoir is to project the input data into a higher dimensional space
of reservoir state vectors in order to linearly separate the input classes.
Once the classes are well separated, traditionally complex, power-hungry
classification models are no longer needed for the learning process. Yet, even
with simple classifiers based on Ridge regression (RR), the complexity grows at
least quadratically with the input size. Hence, the hardware reduction required
for training on compact devices is in contradiction with the large dimension of
state vectors. DLR employs a RR-based classifier to exceed the SoA accuracy,
while further reducing power consumption by leveraging the architecture of
parallel (split) loops. We present DLR architectures composed of multiple
smaller loops whose state vectors are linearly combined to create a lower
dimensional input into Ridge regression. We demonstrate the advantages of using
DLR for two distinct applications: RF Specific Emitter Identification (SEI) for
IoT authentication, and wireless protocol recognition for IoT situational
awareness.
- Abstract（参考訳）: エッジにおける現在の高周波センサは、インテリジェントスペクトル監視のための実践的、その場でのトレーニング、センサデータ分類をサポートするための計算資源を欠いている。
本稿では,Deep Delay Loop Reservoir Computing (DLR) を用いて,革新的な電気光学ハードウェアと組み合わせて遅延ループ貯水池計算を活用することで,小型モバイルデバイス上での汎用機械学習アルゴリズムをサポートする処理アーキテクチャを提案する。
ループの設計をデジタルとフォトニックの両方で実現することにより、DLRは、SoA(State-of-the-Art)と比較して、フォームファクタ、ハードウェアの複雑さ、レイテンシの低減を実現します。
貯水池の主な影響は、入力クラスを線形に分離するために、入力データを高次元の貯水池状態ベクトル空間に投影することである。
クラスが適切に分離されると、伝統的に複雑なパワーハングリー分類モデルが学習プロセスに不要になる。
しかし、リッジ回帰(RR)に基づく単純な分類器でさえ、複雑性は少なくとも入力サイズに比例して増大する。
したがって、コンパクトデバイスでのトレーニングに必要なハードウェアの削減は、状態ベクトルの大きな次元と矛盾する。
DLRはRRベースの分類器を使用してSoAの精度を超え、並列(分割)ループのアーキテクチャを活用することで消費電力をさらに削減する。
状態ベクトルを線形に結合した複数の小さなループからなるDLRアーキテクチャを、リッジ回帰に対する低次元入力を生成する。
我々は、IoT認証のためのRF specific Emitter Identification (SEI) と、IoT状況認識のための無線プロトコル認識の2つの異なるアプリケーションにDLRを使用することの利点を実証する。
関連論文リスト
- Universality of Real Minimal Complexity Reservoir [0.358439716487063]
貯留層計算(Reservoir Computing, RC)モデルは、その固定された非トレーニング可能な入力層と動的に結合された貯留層によって区別される。
Simple Cycle Reservoirs (SCR) は、制約の高い貯水池構造を持つRCモデルの特殊なクラスである。
実領域で動作するSCRは、減少するメモリを持つ時間不変の動的フィルタの普遍的な近似器である。
論文 参考訳（メタデータ） (2024-08-15T10:44:33Z) - Real-time Hyper-Dimensional Reconfiguration at the Edge using Hardware
Accelerators [12.599871451119538]
HyDRATEは、ディープニューラルネット(DNN)と超次元(HD)コンピューティングアクセラレータを組み合わせることで、エッジでリアルタイムな再構成を行うことができる。
本稿では,アルゴリズム,訓練された量子化モデル生成,および乗算累積のない特徴抽出器の性能について述べる。
降下勾配のバックプロパゲーションを伴わないフィードフォワードHD分類器のみをリトレーニングすることで、フィールドにおける再構成性を実現する。
論文 参考訳（メタデータ） (2022-06-10T14:08:41Z) - SreaMRAK a Streaming Multi-Resolution Adaptive Kernel Algorithm [60.61943386819384]
既存のKRRの実装では、すべてのデータがメインメモリに格納される必要がある。
KRRのストリーミング版であるStreaMRAKを提案する。
本稿では,2つの合成問題と2重振り子の軌道予測について紹介する。
論文 参考訳（メタデータ） (2021-08-23T21:03:09Z) - Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge
Computing: A Contextual-Bandit Approach [81.5261621619557]
階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。
まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。
そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
論文 参考訳（メタデータ） (2021-08-09T08:45:47Z) - Adaptive Machine Learning for Time-Varying Systems: Low Dimensional
Latent Space Tuning [91.3755431537592]
本稿では,時間変化システムを対象とした適応機械学習手法を提案する。
我々は,エンコーダデコーダCNNのエンコーダ部出力において,非常に高次元(N>100k)の入力を低次元(N2)潜在空間にマッピングする。
そこで本手法では,割り込みを伴わないフィードバックに基づいて,内部の相関関係を学習し,その進化をリアルタイムで追跡する。
論文 参考訳（メタデータ） (2021-07-13T16:05:28Z) - Reservoir-Based Distributed Machine Learning for Edge Operation [0.6451914896767135]
スマートセンサを組み込んだ機械学習アルゴリズムの現場学習のための新しい設計を紹介します。
無線周波数(RF)スペクトルセンサを用いた分散トレーニングシナリオについて述べる。
論文 参考訳（メタデータ） (2021-04-01T20:06:40Z) - Deep Cellular Recurrent Network for Efficient Analysis of Time-Series
Data with Spatial Information [52.635997570873194]
本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。
提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
論文 参考訳（メタデータ） (2021-01-12T20:08:18Z) - Recovery of Linear Components: Reduced Complexity Autoencoder Designs [0.951828574518325]
本論文では,線形・非線形次元低減技術の中間点となる線形成分の回収(Recovery of Linear Components, RLC)という手法を提案する。
合成および実世界のケーススタディの助けを借りて,類似した複雑性を持つオートエンコーダと比較すると,rlcは高い精度を示し,頑健性と過剰適合性,より高速なトレーニング時間を示すことを示した。
論文 参考訳（メタデータ） (2020-12-14T14:08:20Z) - Deep Delay Loop Reservoir Computing for Specific Emitter Identification [0.5906031288935515]
戦術的なエッジにある現在のAIシステムは、その場でのトレーニングと状況認識のための推論をサポートするための計算資源を欠いている。
本稿では,DLR(Deep delay Loop Reservoir Computing)という,小型モバイルデバイス上での汎用機械学習アルゴリズムをサポートする処理アーキテクチャを提案する。
論文 参考訳（メタデータ） (2020-10-13T19:32:38Z) - One-step regression and classification with crosspoint resistive memory
arrays [62.997667081978825]
高速で低エネルギーのコンピュータは、エッジでリアルタイム人工知能を実現するために要求されている。
ワンステップ学習は、ボストンの住宅のコスト予測と、MNIST桁認識のための2層ニューラルネットワークのトレーニングによって支援される。
結果は、クロスポイントアレイ内の物理計算、並列計算、アナログ計算のおかげで、1つの計算ステップで得られる。
論文 参考訳（メタデータ） (2020-05-05T08:00:07Z) - A Compressive Sensing Approach for Federated Learning over Massive MIMO
Communication Systems [82.2513703281725]
フェデレートラーニング(Federated Learning)は、無線デバイスとのコラボレーションによって、中央サーバでグローバルモデルをトレーニングするための、プライバシ保護のアプローチである。
本稿では,大規模マルチインプット多出力通信システム上でのフェデレーション学習のための圧縮センシング手法を提案する。
論文 参考訳（メタデータ） (2020-03-18T05:56:27Z)
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。