Fugu-MT 論文翻訳(概要): Machine Learning Sensors

論文の概要: Machine Learning Sensors

arxiv url: http://arxiv.org/abs/2206.03266v1
Date: Tue, 7 Jun 2022 13:22:13 GMT
ステータス: 処理完了
システム内更新日: 2022-06-08 21:25:32.766696
Title: Machine Learning Sensors
Title（参考訳）: 機械学習センサー
Authors: Pete Warden, Matthew Stewart, Brian Plancher, Colby Banbury, Shvetank Prakash, Emma Chen, Zain Asgar, Sachin Katti, and Vijay Janapa Reddi
Abstract要約: 機械学習センサーは、組み込み機械学習アプリケーションの将来へのパラダイムシフトを表している。組み込み機械学習(ML)の現在のインスタンス化は、複雑な統合、モジュール化の欠如、プライバシとセキュリティの懸念に悩まされている。本稿では、これらの課題に対処するために、エッジデバイスにセンサインテリジェンスを埋め込むための、よりデータ中心のパラダイムを提案する。
参考スコア（独自算出の注目度）: 4.263101392970408
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Machine learning sensors represent a paradigm shift for the future of embedded machine learning applications. Current instantiations of embedded machine learning (ML) suffer from complex integration, lack of modularity, and privacy and security concerns from data movement. This article proposes a more data-centric paradigm for embedding sensor intelligence on edge devices to combat these challenges. Our vision for "sensor 2.0" entails segregating sensor input data and ML processing from the wider system at the hardware level and providing a thin interface that mimics traditional sensors in functionality. This separation leads to a modular and easy-to-use ML sensor device. We discuss challenges presented by the standard approach of building ML processing into the software stack of the controlling microprocessor on an embedded system and how the modularity of ML sensors alleviates these problems. ML sensors increase privacy and accuracy while making it easier for system builders to integrate ML into their products as a simple component. We provide examples of prospective ML sensors and an illustrative datasheet as a demonstration and hope that this will build a dialogue to progress us towards sensor 2.0.
Abstract（参考訳）: 機械学習センサーは、組み込み機械学習アプリケーションの将来のパラダイムシフトを表している。組み込み機械学習(ML)の現在のインスタンス化は、複雑な統合、モジュール化の欠如、データムーブメントによるプライバシとセキュリティ上の懸念に悩まされている。本稿では,これらの課題に対処するために,エッジデバイスにセンサインテリジェンスを組み込むための,データ中心のパラダイムを提案する。センサ2.0"に対する私たちのビジョンは、ハードウェアレベルでより広いシステムからセンサ入力データとML処理を分離し、従来のセンサー機能を模倣する薄いインターフェースを提供することです。この分離により、モジュラーで使いやすいMLセンサーデバイスが実現される。本稿では、組み込みシステム上で制御マイクロプロセッサのソフトウェアスタックにML処理を構築するための標準アプローチによる課題と、MLセンサのモジュラリティがこれらの問題を緩和する方法について論じる。 MLセンサーは、プライバシと精度を高め、システムビルダーがシンプルなコンポーネントとして製品にMLを統合するのを容易にする。将来的なMLセンサの例と実証的なデータシートをデモとして提供し,センサ2.0に向けての対話の構築を期待する。

関連論文リスト

SensorLLM: Aligning Large Language Models with Motion Sensors for Human Activity Recognition [9.072495000412943]
我々は、Large Language Models(LLM)が人間の活動認識(HAR)のような時系列タスクを理解できるようにすることで、ウェアラブルセンサー技術とパーソナライズされたAIアシスタントのギャップを埋める。センサデータタスクに対するLLMのポテンシャルを解放する2段階フレームワークであるSensorLLMを紹介する。我々は,SensorLLMが効果的なセンサ学習者,推論者,学習者へと進化し,HARタスクのための多様なデータセットをまたいで一般化できることを示す。
論文参考訳（メタデータ） (2024-10-14T15:30:41Z)
A Plug-in Tiny AI Module for Intelligent and Selective Sensor Data Transmission [10.174575604689391]
本稿では、インテリジェントなデータ伝送機能を備えたセンシングフレームワークを実現するための新しいセンシングモジュールを提案する。センサの近くに置かれる高効率機械学習モデルを統合する。このモデルは,無関係な情報を破棄しながら,貴重なデータのみを送信するセンサシステムに対して,迅速なフィードバックを提供する。
論文参考訳（メタデータ） (2024-02-03T05:41:39Z)
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)
Federated Learning on Edge Sensing Devices: A Review [0.0]
プライバシ、ハードウェア、接続性の制限に対するソリューションとして、フェデレートラーニング(FL)が登場している。 FLの主要な原則、ソフトウェアフレームワーク、テストベッドに重点を置いています。また,現在のセンサ技術,センサ装置の特性,FLを利用したセンサアプリケーションについても検討する。
論文参考訳（メタデータ） (2023-11-02T12:55:26Z)
Datasheets for Machine Learning Sensors: Towards Transparency, Auditability, and Responsibility for Intelligent Sensing [9.686781507805113]
機械学習(ML)センサーは、エンドユーザにデータをより多くコントロールすることで、エッジでのインテリジェンスを可能にしている。本稿では,これらのMLセンサの標準テンプレートを導入し,各セクションの設計とモチベーションについて検討・評価する。テンプレートの応用事例として,コンピュータビジョンによる人物検出を行うMLセンサの2つの例を設計・開発した。
論文参考訳（メタデータ） (2023-06-15T04:24:13Z)
Low-cost Efficient Wireless Intelligent Sensor (LEWIS) for Engineering, Research, and Education [72.2614468437919]
センサによって決定を下すスマートシティのビジョンは、これまで実現されていない。土木技術者はセンサー技術に関する知識を欠いている。センサーに関連する電気部品とコンピュータの知識は、土木技術者にとって依然として課題である。
論文参考訳（メタデータ） (2023-03-23T21:49:26Z)
Tiny Robot Learning: Challenges and Directions for Machine Learning in Resource-Constrained Robots [57.27442333662654]
機械学習(ML)は、コンピュータシステムにまたがる普及したツールとなっている。ティニー・ロボット・ラーニング(Tiny Robot Learning)とは、リソースに制約された低コストの自律ロボットにMLを配置する手法である。小型ロボット学習は、サイズ、重量、面積、パワー(SWAP)の制約によって困難にさらされる。本稿では,小型ロボットの学習空間を簡潔に調査し,重要な課題を詳述し,MLシステム設計における将来的な仕事の機会を提案する。
論文参考訳（メタデータ） (2022-05-11T19:36:15Z)
Bayesian Imitation Learning for End-to-End Mobile Manipulation [80.47771322489422]
RGB + 深度カメラのような追加のセンサー入力によるポリシーの強化は、ロボットの知覚能力を改善するための簡単なアプローチである。畳み込みニューラルネットワークを正規化するために変分情報ボトルネックを用いることで、保持領域への一般化が向上することを示す。提案手法は, シミュレーションと現実のギャップを埋めることと, RGBと奥行き変調をうまく融合できることを実証する。
論文参考訳（メタデータ） (2022-02-15T17:38:30Z)
SensiX++: Bringing MLOPs and Multi-tenant Model Serving to Sensory Edge Devices [69.1412199244903]
エッジデバイス上でMLOpsを統合した,適応モデル実行のためのマルチテナントランタイムを提案する。 S SensiX++は、高度にモジュール化されたコンポーネント化と、明確な抽象化によるデータ操作の外部化と、システム全体のオーケストレーションのためのドキュメント中心の宣言という、2つの基本原則で運用されている。 SensiX++のさまざまな自動化コンポーネントの全体的なスループットと定量化メリットについて報告し、運用の複雑さを著しく低減し、エッジデバイスへの組み込みモデルのデプロイ、アップグレード、再構成、提供の労力を削減する効果を実証する。
論文参考訳（メタデータ） (2021-09-08T22:06:16Z)
Anomaly Detection through Transfer Learning in Agriculture and Manufacturing IoT Systems [4.193524211159057]
本稿では, 農作物に設置したセンサから, 7種類のセンサからのデータと, 振動センサを用いた先進的な製造試験からのデータを分析する。これら2つのアプリケーション領域において、予測的障害分類がいかに達成され、予測的メンテナンスの道が開かれたかを示す。
論文参考訳（メタデータ） (2021-02-11T02:37:27Z)
Learning Camera Miscalibration Detection [83.38916296044394]
本稿では,視覚センサ,特にRGBカメラの誤校正検出を学習するためのデータ駆動型アプローチに焦点を当てた。コントリビューションには、RGBカメラの誤校正基準と、この基準に基づく新しい半合成データセット生成パイプラインが含まれる。深層畳み込みニューラルネットワークをトレーニングすることにより、カメラ固有のパラメータの再校正が必要か否かを判断するパイプラインの有効性を実証する。
論文参考訳（メタデータ） (2020-05-24T10:32:49Z)

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。