論文の概要: Efficient Personalized Learning for Wearable Health Applications using
HyperDimensional Computing
- arxiv url: http://arxiv.org/abs/2208.01095v1
- Date: Mon, 1 Aug 2022 18:49:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-03 12:56:23.933469
- Title: Efficient Personalized Learning for Wearable Health Applications using
HyperDimensional Computing
- Title（参考訳）: 超次元コンピューティングを用いたウェアラブルヘルスアプリケーションのための効率的なパーソナライズ学習
- Authors: Sina Shahhosseini, Yang Ni, Hamidreza Alikhani, Emad Kasaeyan Naeini,
Mohsen Imani, Nikil Dutt, Amir M. Rahmani
- Abstract要約: 超次元コンピューティング(HDC)は、リソース制約のあるデバイスによく適合したデバイス上での学習ソリューションを提供する。
我々のシステムは、最先端のDeep Neural Network(DNN)アルゴリズムと比較して、トレーニングのエネルギー効率を最大45.8倍に向上させる。
- 参考スコア（独自算出の注目度）: 10.89988703152759
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Health monitoring applications increasingly rely on machine learning
techniques to learn end-user physiological and behavioral patterns in everyday
settings. Considering the significant role of wearable devices in monitoring
human body parameters, on-device learning can be utilized to build personalized
models for behavioral and physiological patterns, and provide data privacy for
users at the same time. However, resource constraints on most of these wearable
devices prevent the ability to perform online learning on them. To address this
issue, it is required to rethink the machine learning models from the
algorithmic perspective to be suitable to run on wearable devices.
Hyperdimensional computing (HDC) offers a well-suited on-device learning
solution for resource-constrained devices and provides support for
privacy-preserving personalization. Our HDC-based method offers flexibility,
high efficiency, resilience, and performance while enabling on-device
personalization and privacy protection. We evaluate the efficacy of our
approach using three case studies and show that our system improves the energy
efficiency of training by up to $45.8\times$ compared with the state-of-the-art
Deep Neural Network (DNN) algorithms while offering a comparable accuracy.
- Abstract（参考訳）: 健康モニタリングアプリケーションは、日常の環境でエンドユーザの生理的および行動的パターンを学ぶための機械学習技術にますます依存している。
人体パラメータのモニタリングにおけるウェアラブルデバイスの役割を考えると、オンデバイス学習は、行動パターンと生理パターンのパーソナライズされたモデルを構築し、同時にユーザのデータプライバシを提供するために利用することができる。
しかし、これらのウェアラブルデバイスのほとんどにおけるリソース制約は、オンライン学習の実行を妨げている。
この問題に対処するには、ウェアラブルデバイスで実行するのに適したアルゴリズムの観点から、機械学習モデルを再考する必要がある。
超次元コンピューティング(HDC)は、リソース制約のあるデバイスに対して、よく適合したオンデバイス学習ソリューションを提供し、プライバシ保護のパーソナライゼーションをサポートする。
当社のHDCベースの手法は,デバイス上でのパーソナライゼーションとプライバシ保護を実現しつつ,柔軟性,高効率,レジリエンス,パフォーマンスを提供する。
提案手法の有効性を3つのケーススタディを用いて評価し,最先端のDeep Neural Network(DNN)アルゴリズムと比較して,トレーニングのエネルギー効率を最大45.8\times$で向上することを示す。
関連論文リスト
- OmniBuds: A Sensory Earable Platform for Advanced Bio-Sensing and On-Device Machine Learning [46.3331254985615]
感覚ウェアラブルは、基本的なオーディオ拡張デバイスから、臨床レベルの健康モニタリングと健康管理のための高度なプラットフォームへと進化してきた。
本稿では,複数のバイオセンサと,機械学習アクセラレーションによって駆動される車載計算を統合した,先進的な知覚可能プラットフォームであるOmniBudsを紹介する。
論文 参考訳（メタデータ） (2024-10-07T06:30:59Z) - CRSFL: Cluster-based Resource-aware Split Federated Learning for Continuous Authentication [5.636155173401658]
分散学習(SL)とフェデレート学習(FL)は、分散機械学習(ML)モデルをトレーニングするための有望な技術として登場した。
我々はこれらの技術を組み合わせて、ユーザのプライバシーを保護しながら、継続的な認証課題に取り組むことを提案する。
論文 参考訳（メタデータ） (2024-05-12T06:08:21Z) - A comparative study on wearables and single-camera video for upper-limb
out-of-thelab activity recognition with different deep learning architectures [0.0]
IMU(High-end Inertial Measurement Unit)は、臨床および研究環境での身体活動の評価において、ますます人気が高まっている。
アウト・オブ・ザ・ラブ環境における患者追跡の実現可能性を高めるためには,移動獲得のためのデバイス数を減らす必要がある。
臨床関連データを認識・消化できる機械学習システムの開発が必要である。
論文 参考訳（メタデータ） (2024-02-04T19:45:59Z) - Robust and Scalable Hyperdimensional Computing With Brain-Like Neural
Adaptations [17.052624039805856]
Internet of Things(IoT)は、エッジベースの機械学習(ML)メソッドを使用して、ローカルに収集されたデータを分析する多くのアプリケーションを容易にした。
脳にインスパイアされた超次元コンピューティング(HDC)がこの問題に対処するために導入された。
既存のHDCは静的エンコーダを使用しており、正確な精度を達成するために非常に高次元と数百のトレーニングイテレーションを必要とする。
本研究では,非所望次元を特定し再生する動的HDC学習フレームワークを提案する。
論文 参考訳（メタデータ） (2023-11-13T19:42:33Z) - 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) - Privacy-Preserving Personalized Fitness Recommender System (P3FitRec): A
Multi-level Deep Learning Approach [6.647564421295215]
プライバシーに配慮したパーソナライズされたフィットネスレコメンデーションシステムを提案する。
大規模な実フィットネスデータセットから重要な特徴を学習する多層ディープラーニングフレームワークを導入する。
本手法は,センサデータからユーザのフィットネス特性を推定することによりパーソナライズを実現する。
論文 参考訳（メタデータ） (2022-03-23T05:27:35Z) - An adaptable cognitive microcontroller node for fitness activity
recognition [0.0]
ウォブルボード(英: Wobble board)は、足首の怪我を避けるために、または怪我後のリハビリの一環として、感覚運動の訓練に使用できる安価な装置である。
本研究では,ウルブルボードに適用可能な携帯型,電池駆動型マイクロコントローラデバイスを提案する。
電力消費を減らすために,ハードウェアとソフトウェアの構成を動的に管理し,実行時に必要な動作モードに適応する適応層を追加する。
論文 参考訳（メタデータ） (2022-01-13T18:06:38Z) - Personalized Rehabilitation Robotics based on Online Learning Control [62.6606062732021]
本稿では,各ユーザに対して実行時の制御力をパーソナライズ可能な,新しいオンライン学習制御アーキテクチャを提案する。
提案手法を,学習コントローラがパーソナライズされた制御を提供するとともに,安全な相互作用力も得られる実験ユーザスタディで評価した。
論文 参考訳（メタデータ） (2021-10-01T15:28:44Z) - Towards AIOps in Edge Computing Environments [60.27785717687999]
本稿では,異種分散環境に適用可能なaiopsプラットフォームのシステム設計について述べる。
高頻度でメトリクスを収集し、エッジデバイス上で特定の異常検出アルゴリズムを直接実行することが可能である。
論文 参考訳（メタデータ） (2021-02-12T09:33:00Z) - A Data and Compute Efficient Design for Limited-Resources Deep Learning [68.55415606184]
同変ニューラルネットワークは 深層学習コミュニティへの関心を高めています
医療分野では、データの対称性を効果的に活用して、より正確で堅牢なモデルの構築に成功している。
ディープ・ラーニング・ソリューションのモバイル・オン・デバイス実装は医療応用のために開発されている。
しかし、同変モデルは大規模で計算コストのかかるアーキテクチャを用いて一般的に実装されており、モバイルデバイス上では動作しない。
本研究では、MobileNetV2の同変バージョンを設計、テストし、さらにモデル量子化により最適化し、より効率的な推論を可能にする。
論文 参考訳（メタデータ） (2020-04-21T00:49:11Z) - Power Constrained Bandits [46.44025793243983]
既存のアルゴリズムを改良する汎用メタアルゴリズムを開発した。
我々のメタアルゴリズムは、統計的研究に現れる可能性のある様々なモデルの誤特定に対して堅牢である。
論文 参考訳（メタデータ） (2020-04-13T23:08:52Z)
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。