論文の概要: Towards Sustainable Deep Learning for Wireless Fingerprinting
Localization
- arxiv url: http://arxiv.org/abs/2201.09071v1
- Date: Sat, 22 Jan 2022 15:13:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-28 07:08:59.305883
- Title: Towards Sustainable Deep Learning for Wireless Fingerprinting
Localization
- Title(参考訳): ワイヤレスフィンガープリンティング定位のための持続的深層学習に向けて
- Authors: An\v{z}e Pirnat, Bla\v{z} Bertalani\v{c}, Gregor Cerar, Mihael
Mohor\v{c}i\v{c}, Marko Me\v{z}a and Carolina Fortuna
- Abstract要約: 位置情報ベースのサービスは、新しい無線インフラや新しいビジネスプロセスの一部になっている。
深層学習(DL)人工知能手法は, 広範囲な屋内無線計測データに基づいて, 無線指紋認証のローカライゼーションにおいて極めてよく機能する。
複雑さが増すにつれて、これらの手法は計算的に非常に集中的になり、エネルギーは空腹になる。
そこで本研究では,室内のローカライゼーションのための新しいDLベースのアーキテクチャを提案する。
- 参考スコア(独自算出の注目度): 0.541530201129053
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Location based services, already popular with end users, are now inevitably
becoming part of new wireless infrastructures and emerging business processes.
The increasingly popular Deep Learning (DL) artificial intelligence methods
perform very well in wireless fingerprinting localization based on extensive
indoor radio measurement data. However, with the increasing complexity these
methods become computationally very intensive and energy hungry, both for their
training and subsequent operation. Considering only mobile users, estimated to
exceed 7.4billion by the end of 2025, and assuming that the networks serving
these users will need to perform only one localization per user per hour on
average, the machine learning models used for the calculation would need to
perform 65*10^12 predictions per year. Add to this equation tens of billions of
other connected devices and applications that rely heavily on more frequent
location updates, and it becomes apparent that localization will contribute
significantly to carbon emissions unless more energy-efficient models are
developed and used. This motivated our work on a new DL-based architecture for
indoor localization that is more energy efficient compared to related
state-of-the-art approaches while showing only marginal performance
degradation. A detailed performance evaluation shows that the proposed model
producesonly 58 % of the carbon footprint while maintaining 98.7 % of the
overall performance compared to state of the art model external to our group.
Additionally, we elaborate on a methodology to calculate the complexity of the
DL model and thus the CO2 footprint during its training and operation.
- Abstract(参考訳): すでにエンドユーザに人気がある位置情報ベースのサービスは、必然的に新しいワイヤレスインフラストラクチャと新たなビジネスプロセスの一部になりつつある。
ますます普及しているディープラーニング(dl)人工知能手法は、広範囲な屋内無線計測データに基づく無線フィンガープリンティングのローカライズにおいて非常によく機能する。
しかし、複雑さが増すにつれて、これらの手法は計算量が非常に集中し、訓練とその後の操作の両方のためにエネルギーを消費するようになる。
2025年末までに7.4ビリオンを超えると見積もられたモバイルユーザのみを考えると、これらのユーザに提供するネットワークは平均して1時間あたり1つのローカライゼーションしか行わなければならず、計算に使用される機械学習モデルは年間65*10^12の予測を実行する必要がある。
この方程式に加え、より頻繁な位置更新に大きく依存する数十億の他の接続デバイスやアプリケーションも加わり、よりエネルギー効率の良いモデルが開発され使用されない限り、局所化が二酸化炭素排出量に大きく貢献することが明らかとなった。
このことは、最近の最先端技術と比較してエネルギー効率が良い新しいDLベースの屋内ローカライゼーションアーキテクチャの研究を動機付けつつ、性能の限界しか示さなかった。
詳細な性能評価の結果,提案モデルでは炭素フットプリントの58パーセントしか生成せず,全体の性能の98.7%を維持していることがわかった。
さらに,dlモデルの複雑さを計算し,その訓練と運用におけるco2の足跡を推定する手法について詳述した。
関連論文リスト
- ssProp: Energy-Efficient Training for Convolutional Neural Networks with Scheduled Sparse Back Propagation [4.77407121905745]
バックプロパゲーション(BP)は、ディープラーニングモデルをトレーニングする際の計算コストの主要な源泉である。
ディープラーニングアーキテクチャにシームレスに統合できる汎用的でエネルギー効率の良い畳み込みモジュールを提案する。
論文 参考訳(メタデータ) (2024-08-22T17:22:59Z) - etuner: A Redundancy-Aware Framework for Efficient Continual Learning Application on Edge Devices [47.365775210055396]
推論精度、微調整実行時間、エネルギー効率を最適化する効率的なエッジ連続学習フレームワークであるETunerを提案する。
実験結果から,ETunerは全体の微調整実行時間を64%削減し,エネルギー消費量を56%削減し,即時モデル微調整アプローチよりも平均推定精度を1.75%向上した。
論文 参考訳(メタデータ) (2024-01-30T02:41:05Z) - Optimization Efficient Open-World Visual Region Recognition [55.76437190434433]
RegionSpotは、ローカライゼーション基盤モデルから位置認識ローカライゼーション知識と、ViLモデルからのセマンティック情報を統合する。
オープンワールドオブジェクト認識の実験では、私たちのRereaSpotは、以前の代替よりも大きなパフォーマンス向上を実現しています。
論文 参考訳(メタデータ) (2023-11-02T16:31:49Z) - Computation-efficient Deep Learning for Computer Vision: A Survey [121.84121397440337]
ディープラーニングモデルは、さまざまな視覚的知覚タスクにおいて、人間レベルのパフォーマンスに到達または超えた。
ディープラーニングモデルは通常、重要な計算資源を必要とし、現実のシナリオでは非現実的な電力消費、遅延、または二酸化炭素排出量につながる。
新しい研究の焦点は計算効率のよいディープラーニングであり、推論時の計算コストを最小限に抑えつつ、良好な性能を達成することを目指している。
論文 参考訳(メタデータ) (2023-08-27T03:55:28Z) - Energy Efficient Deep Multi-Label ON/OFF Classification of Low Frequency Metered Home Appliances [0.16777183511743468]
非侵入負荷監視(Non-Inrusive Load Monitoring、NILM)は、単一計測点からアプライアンスレベルのデータを取得するプロセスである。
本稿では,NILMのマルチラベル分類を改良した新しいDLモデルを提案する。
最先端モデルと比較して、提案モデルではエネルギー消費を23%以上削減している。
論文 参考訳(メタデータ) (2023-07-18T13:23:23Z) - Green Federated Learning [7.003870178055125]
Federated Learning(FL)は、分散エンティティのデータを使用して集中型モデルをトレーニングする機械学習技術である。
FLは、多様なエネルギー源を持つ数億ものグローバル分散エンドユーザーデバイスを活用することができる。
提案するグリーンFLの概念は, FLパラメータを最適化し, 二酸化炭素排出量を最小化するための設計選択を行うものである。
論文 参考訳(メタデータ) (2023-03-26T02:23:38Z) - Resource-aware Deep Learning for Wireless Fingerprinting Localization [0.7133136338850781]
我々は、ワイヤレスローカライゼーションの最新結果とトレンドについて論じ、より持続可能なAIを実現するための道を探る。
2025年末までに740億を超えると見積もられるモバイルユーザのみを考えると、これらのユーザに提供するネットワークは、平均して1時間あたり1つのローカライゼーションを実行する必要があると仮定すれば、計算に使用される機械学習モデルは、年間65倍の1012$の予測を実行する必要がある。
論文 参考訳(メタデータ) (2022-10-12T12:39:29Z) - FedDUAP: Federated Learning with Dynamic Update and Adaptive Pruning
Using Shared Data on the Server [64.94942635929284]
フェデレーテッド・ラーニング(FL)は2つの重要な課題、すなわち限られた計算資源と訓練効率の低下に悩まされている。
本稿では,サーバ上の不感なデータとエッジデバイスの分散データを利用する新しいFLフレームワークであるFedDUAPを提案する。
提案するFLモデルであるFedDUAPは,2つの元の手法を統合することで,精度(最大4.8%),効率(最大2.8倍),計算コスト(最大61.9%)において,ベースラインアプローチを著しく上回っている。
論文 参考訳(メタデータ) (2022-04-25T10:00:00Z) - A Framework for Energy and Carbon Footprint Analysis of Distributed and
Federated Edge Learning [48.63610479916003]
本稿では,分散学習政策の環境フットプリントに影響を与える要因を概説し,分析する。
バニラとコンセンサスによって駆動される分散FLポリシーの両方をモデル化する。
その結果、flは低ビット/ジュール効率を特徴とするワイヤレスシステムにおいて、顕著なエンドツーエンドの省エネ(30%-40%)が可能となった。
論文 参考訳(メタデータ) (2021-03-18T16:04:42Z) - Towards Practical Lipreading with Distilled and Efficient Models [57.41253104365274]
ニューラルネットワークの復活により、リリーディングは多くの進歩を目の当たりにした。
最近の研究は、最適なアーキテクチャを見つけるか、一般化を改善することで、パフォーマンスを改善するといった側面に重点を置いている。
現在の方法論と、実践的なシナリオにおける効果的なリップリーディングのデプロイ要件との間には、依然として大きなギャップがあります。
まず, LRW と LRW-1000 をそれぞれ 88.5% と 46.6% に比例して, 最先端の性能を高めることを提案する。
論文 参考訳(メタデータ) (2020-07-13T16:56:27Z)
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。