論文の概要: Machine Learning for Microcontroller-Class Hardware -- A Review

• arxiv url: http://arxiv.org/abs/2205.14550v1
• Date: Sun, 29 May 2022 00:59:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-04 17:21:46.135548
• Title: Machine Learning for Microcontroller-Class Hardware -- A Review
• Title（参考訳）: マイクロコントローラクラスのハードウェアのための機械学習
• Authors: Swapnil Sayan Saha, Sandeep Singh Sandha, Mani Srivastava
• Abstract要約: 本稿では,マイクロコントローラのクラスデバイス上での機械学習を実現する上で,ユニークな課題について述べる。 マイクロコントローラクラスデバイスのための機械学習モデル開発のためのクローズドループ広範に適用可能なワークフローを導入する。
• 参考スコア（独自算出の注目度）: 1.5311932971314297
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The advancements in machine learning opened a new opportunity to bring intelligence to the low-end Internet-of-Things nodes such as microcontrollers. Conventional machine learning deployment has high memory and compute footprint hindering their direct deployment on ultra resource-constrained microcontroller nodes. This paper highlights the unique challenges of enabling onboard machine learning for microcontroller class devices. Recently, researchers have used a specialized model development cycle for resource-limited applications to ensure the compute and latency budget is within the limits while still maintaining the desired accuracy. We introduce a closed-loop widely applicable workflow of machine learning model development for microcontroller class devices and show that several classes of applications adopt a specific instance of it. We present both qualitative and numerical insights into different stages of model development by showcasing several applications. Finally, we identify the open research challenges and unsolved questions demanding careful considerations moving forward.
• Abstract（参考訳）: 機械学習の進歩は、マイクロコントローラのようなローエンドのインターネット・オブ・シング・ノードにインテリジェンスをもたらす新たな機会を開いた。 従来の機械学習デプロイメントはメモリと計算フットプリントが高く、超リソース制約のマイクロコントローラノードへの直接デプロイを妨げる。 本稿では,マイクロコントローラクラスデバイスにおいてオンボード機械学習を実現するという,ユニークな課題について述べる。 近年、研究者はリソース制限されたアプリケーションに特殊なモデル開発サイクルを使用して、計算と遅延の予算が所望の精度を維持しながら限界内にあることを保証している。 マイクロコントローラクラスデバイス向けの機械学習モデル開発に広く適用可能なクローズドループワークフローを導入し、アプリケーションのいくつかのクラスが特定のインスタンスを採用することを示す。 モデル開発における様々な段階に関する定性的および数値的な知見を,いくつかの応用例を示して提示する。 最後に,オープンリサーチの課題と未解決の課題を明らかにする。

関連論文リスト

• On-Device Language Models: A Comprehensive Review [26.759861320845467]
  資源制約のあるデバイスに計算コストの高い大規模言語モデルをデプロイする際の課題について検討する。 論文は、デバイス上での言語モデル、その効率的なアーキテクチャ、および最先端の圧縮技術について考察する。 主要モバイルメーカーによるオンデバイス言語モデルのケーススタディは、実世界の応用と潜在的な利益を実証している。
  論文  参考訳（メタデータ） (2024-08-26T03:33:36Z)
• Machine Learning with Requirements: a Manifesto [114.97965827971132]
  要件定義と満足度は、マシンラーニングモデルが現実世界にさらに適合するように、長い道のりを歩むことができる、と私たちは主張しています。 私たちは、要求仕様を標準の機械学習開発パイプラインにうまく組み込む方法を示します。
  論文  参考訳（メタデータ） (2023-04-07T14:47:13Z)
• Learnware: Small Models Do Big [69.88234743773113]
  自然言語処理やコンピュータビジョンの応用で目覚ましい成果を上げてきた、一般的なビッグモデルパラダイムは、これらの問題にまだ対応していないが、炭素排出量の深刻な源となっている。 この記事では、マシンラーニングモデルをスクラッチから構築する必要がないようにするための学習ソフトウェアパラダイムの概要を紹介します。
  論文  参考訳（メタデータ） (2022-10-07T15:55:52Z)
• Design Automation for Fast, Lightweight, and Effective Deep Learning Models: A Survey [53.258091735278875]
  本調査では,エッジコンピューティングを対象としたディープラーニングモデルの設計自動化技術について述べる。 これは、有効性、軽量性、計算コストの観点からモデルの習熟度を定量化するために一般的に使用される主要なメトリクスの概要と比較を提供する。 この調査は、ディープモデル設計自動化技術の最先端の3つのカテゴリをカバーしている。
  論文  参考訳（メタデータ） (2022-08-22T12:12:43Z)
• Automating In-Network Machine Learning [2.857025628729502]
  Planterは、トレーニングされた機械学習モデルをプログラム可能なデバイスにマッピングするためのオープンソースのフレームワークである。 ネットワーク内機械学習アルゴリズムは,回線レートで動作し,レイテンシへの影響を無視し,標準スイッチング機能と共存し,精度のトレードオフがないことを示す。
  論文  参考訳（メタデータ） (2022-05-18T09:42:22Z)
• Flashlight: Enabling Innovation in Tools for Machine Learning [50.63188263773778]
  私たちは、機械学習ツールやシステムの革新を促進するために構築されたオープンソースのライブラリであるFlashlightを紹介します。 Flashlightは、広く使われているライブラリを下流で活用し、機械学習とシステム研究者をより緊密に連携させる研究を可能にするツールだと考えています。
  論文  参考訳（メタデータ） (2022-01-29T01:03:29Z)
• Frugal Machine Learning [7.460473725109103]
  本稿では,最小限の資源を用いて最も正確なモデルを構築することを目的としたフラジカルラーニングについて検討する。 最も有望なアルゴリズムは、スマートウォッチに実装して、時計自体のアクティビティ認識モデルを学ぶことによって、現実世界のシナリオで評価される。
  論文  参考訳（メタデータ） (2021-11-05T21:27:55Z)
• From Machine Learning to Robotics: Challenges and Opportunities for Embodied Intelligence [113.06484656032978]
  記事は、インテリジェンスが機械学習技術の進歩の鍵を握っていると主張している。 私たちは、インテリジェンスを具体化するための課題と機会を強調します。 本稿では,ロボット学習の最先端性を著しく向上させる研究の方向性を提案する。
  論文  参考訳（メタデータ） (2021-10-28T16:04:01Z)
• Real-time Neural Networks Implementation Proposal for Microcontrollers [0.0]
  本稿では,マルチレイヤ・パーセプトロン(MLP)型ニューラルネットワークの実装戦略を低コストで低消費電力なプラットフォームで示すことを目的とする。 完全な分類プロセスを備えたモジュール型マトリックスベースのマイクロコントローラが実装され、マイクロコントローラのバックプロパゲーショントレーニングも行われた。 テストと検証は、トレーニングプロセスの平均正方形誤差(MSE)のハードウェア・イン・ザ・ループ(HIL)、分類結果、各実装モジュールの処理時間を通じて行われた。
  論文  参考訳（メタデータ） (2020-06-08T03:51:14Z)
• Towards CRISP-ML(Q): A Machine Learning Process Model with Quality Assurance Methodology [53.063411515511056]
  本稿では,機械学習アプリケーション開発のためのプロセスモデルを提案する。 第1フェーズでは、データの可用性がプロジェクトの実現可能性に影響を与えることが多いため、ビジネスとデータの理解が結合されます。 第6フェーズでは、機械学習アプリケーションの監視とメンテナンスに関する最先端のアプローチがカバーされている。
  論文  参考訳（メタデータ） (2020-03-11T08:25:49Z)

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。