論文の概要: Application of Machine Learning-Based Pattern Recognition in IoT Devices: Review

• arxiv url: http://arxiv.org/abs/2202.02456v1
• Date: Mon, 10 Jan 2022 00:54:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-13 14:52:56.715567
• Title: Application of Machine Learning-Based Pattern Recognition in IoT Devices: Review
• Title（参考訳）: IoTデバイスにおける機械学習に基づくパターン認識の応用:レビュー
• Authors: Zachary Menter, Wei Tee, Rushit Dave
• Abstract要約: スピードと精度を向上させる目的で、数多くの研究がなされている。 IoTデバイスで使用する機械学習ベースのパターン認識アルゴリズムとしては、サポートベクターマシン、k-nearest neighbor、ランダムフォレストなどがある。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The Internet of things (IoT) is a rapidly advancing area of technology that has quickly become more widespread in recent years. With greater numbers of everyday objects being connected to the Internet, many different innovations have been presented to make our everyday lives more straightforward. Pattern recognition is extremely prevalent in IoT devices because of the many applications and benefits that can come from it. A multitude of studies has been conducted with the intention of improving speed and accuracy, decreasing complexity, and reducing the overall required processing power of pattern recognition algorithms in IoT devices. After reviewing the applications of different machine learning algorithms, results vary from case to case, but a general conclusion can be drawn that the optimal machine learning-based pattern recognition algorithms to be used with IoT devices are support vector machine, k-nearest neighbor, and random forest.
• Abstract（参考訳）: IoT(Internet of Things)は,近年急速に普及しているテクノロジ分野であり,急速に普及している。 インターネットに接続されている日々のオブジェクトの数が増えるにつれ、日々の生活をより簡単にするための多くのイノベーションが提示されている。 パターン認識はiotデバイスでは非常に普及しています。 スピードと精度の向上、複雑性の低減、IoTデバイスにおけるパターン認識アルゴリズムの全体的な処理能力の削減を目的として、数多くの研究が行われている。 さまざまな機械学習アルゴリズムの適用をレビューした後、結果はケースによって異なるが、IoTデバイスで使用する最適な機械学習ベースのパターン認識アルゴリズムは、ベクターマシン、k-アネアレスト、ランダムフォレストのサポートである、という一般的な結論が導かれる。

関連論文リスト

• Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
  我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。 FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。 実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
  論文  参考訳（メタデータ） (2024-01-22T14:16:37Z)
• Random resistive memory-based deep extreme point learning machine for unified visual processing [67.51600474104171]
  ハードウェア・ソフトウェア共同設計型, ランダム抵抗型メモリベース深部極点学習マシン(DEPLM)を提案する。 我々の共同設計システムは,従来のシステムと比較して,エネルギー効率の大幅な向上とトレーニングコストの削減を実現している。
  論文  参考訳（メタデータ） (2023-12-14T09:46:16Z)
• Image Transformation for IoT Time-Series Data: A Review [1.7188280334580197]
  時系列データは高次元かつ高周波である。 深層学習アルゴリズムは時系列データ分類において優れた性能を示す。 近年の研究では、IoTデータを画像に変換することにより、学習モデルの性能が向上することが示されている。
  論文  参考訳（メタデータ） (2023-11-21T17:31:10Z)
• MultiIoT: Benchmarking Machine Learning for the Internet of Things [70.74131118309967]
  次世代の機械学習システムは、物理的世界に対する知覚と相互作用に長けなければならない。 運動、熱、位置情報、深度、無線信号、ビデオ、オーディオからの知覚データは、物理環境の状態をモデル化するためにますます使われています。 既存の取り組みは、しばしば単一の感覚的モダリティまたは予測タスクに特化している。 本稿は、12のモダリティと8つの現実世界タスクから115万以上のサンプルを含む、これまでで最も拡張的で統一されたIoTベンチマークであるMultiIoTを提案する。
  論文  参考訳（メタデータ） (2023-11-10T18:13:08Z)
• MAPLE-X: Latency Prediction with Explicit Microprocessor Prior Knowledge [87.41163540910854]
  ディープニューラルネットワーク(DNN)レイテンシのキャラクタリゼーションは、時間を要するプロセスである。 ハードウェアデバイスの事前知識とDNNアーキテクチャのレイテンシを具体化し,MAPLEを拡張したMAPLE-Xを提案する。
  論文  参考訳（メタデータ） (2022-05-25T11:08:20Z)
• Scalable Vehicle Re-Identification via Self-Supervision [66.2562538902156]
  自動車再同定は、都市規模の車両分析システムにおいて重要な要素の1つである。 車両再設計のための最先端のソリューションの多くは、既存のre-idベンチマークの精度向上に重点を置いており、計算の複雑さを無視することが多い。 推論時間に1つのネットワークのみを使用する自己教師型学習によって、シンプルで効果的なハイブリッドソリューションを提案する。
  論文  参考訳（メタデータ） (2022-05-16T12:14:42Z)
• Enable Deep Learning on Mobile Devices: Methods, Systems, and Applications [46.97774949613859]
  ディープニューラルネットワーク(DNN)は人工知能(AI)分野において前例のない成功を収めた しかし、それらの優れた性能は、計算の複雑さのかなりのコストを伴っている。 本稿では,効率的なディープラーニング手法,システム,応用について概説する。
  論文  参考訳（メタデータ） (2022-04-25T16:52:48Z)
• How to Reach Real-Time AI on Consumer Devices? Solutions for Programmable and Custom Architectures [7.085772863979686]
  ディープニューラルネットワーク(DNN)は、オブジェクトや音声認識など、さまざまな人工知能(AI)推論タスクにおいて大きな進歩をもたらした。 このようなAIモデルをコモディティデバイスにデプロイすることは、大きな課題に直面している。 クロススタック手法によりリアルタイムな性能を実現する手法を提案する。
  論文  参考訳（メタデータ） (2021-06-21T11:23:12Z)
• Machine Learning in the Internet of Things for Industry 4.0 [0.0]
  このようなシステムの組織化は,ハードウェア層からソフトウェア層まで,さらにはIoTシステムに必要な応答時間に至るまで,処理スタック全体に依存することを示す。 本稿では,このようなシステムのフロー処理スタックと,エッジやクラウド上での学習や推論の拡散を可能にする,組織的な機械学習アーキテクチャパターンを提案する。
  論文  参考訳（メタデータ） (2020-05-22T12:43:15Z)

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。