論文の概要: Efficient Compressed Ratio Estimation Using Online Sequential Learning for Edge Computing

• arxiv url: http://arxiv.org/abs/2211.04284v3
• Date: Sat, 8 Jul 2023 14:39:00 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-11 22:36:01.076989
• Title: Efficient Compressed Ratio Estimation Using Online Sequential Learning for Edge Computing
• Title（参考訳）: エッジコンピューティングのためのオンラインシーケンス学習を用いた効率的な圧縮比推定
• Authors: Hiroki Oikawa, Hangli Ge, Noboru Koshizuka
• Abstract要約: 我々は,アクタクリティカルオンライン逐次学習マシン(AC-OSELM)と呼ばれるエッジデバイスのための効率的なRL手法を開発した。 エッジデバイスにおける他のRL法と比較し,圧縮比を推定する手法の性能を評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Owing to the widespread adoption of the Internet of Things, a vast amount of sensor information is being acquired in real time. Accordingly, the communication cost of data from edge devices is increasing. Compressed sensing (CS), a data compression method that can be used on edge devices, has been attracting attention as a method to reduce communication costs. In CS, estimating the appropriate compression ratio is important. There is a method to adaptively estimate the compression ratio for the acquired data using reinforcement learning (RL). However, the computational costs associated with existing RL methods that can be utilized on edges are often high. In this study, we developed an efficient RL method for edge devices, referred to as the actor--critic online sequential extreme learning machine (AC-OSELM), and a system to compress data by estimating an appropriate compression ratio on the edge using AC-OSELM. The performance of the proposed method in estimating the compression ratio is evaluated by comparing it with other RL methods for edge devices. The experimental results indicate that AC-OSELM demonstrated the same or better compression performance and faster compression ratio estimation than the existing methods.
• Abstract（参考訳）: モノのインターネットの普及により、大量のセンサー情報がリアルタイムで取得されている。 これにより、エッジデバイスからのデータの通信コストが増加する。 エッジデバイスで使用可能なデータ圧縮方式である圧縮センシング(cs)は,通信コストを低減する手段として注目を集めている。 csでは,適切な圧縮率の推定が重要である。 強化学習(RL)を用いて取得したデータの圧縮比を適応的に推定する手法がある。 しかしながら、エッジ上で使用可能な既存のrlメソッドに関連する計算コストは、しばしば高い。 本研究では,actor-critic online sequential extreme learning machine (ac-oselm) と呼ばれるエッジデバイスのための効率的なrl法と,ac-oselmを用いてエッジ上の適切な圧縮率を推定してデータを圧縮するシステムを開発した。 エッジデバイスにおける他のrl法との比較により,圧縮比推定における提案手法の性能を評価する。 実験結果から,AC-OSELMは従来手法よりも圧縮性能が良く,圧縮比が速いことが示唆された。

関連論文リスト

• ODDN: Addressing Unpaired Data Challenges in Open-World Deepfake Detection on Online Social Networks [51.03118447290247]
  オープンワールドデータアグリゲーション(ODA)と圧縮・ディスカード勾配補正(CGC)を組み合わせたオープンワールドディープフェイク検出ネットワーク(ODDN)を提案する。 細粒度分析と粗粒度分析の両方により,ODAは圧縮試料と原試料の相関関係を効果的に集約する。 CGCは、オンラインソーシャルネットワーク(OSN)における多種多様な圧縮方法のパフォーマンス向上のために、圧縮・ディスカード勾配補正を組み込んだ。
  論文  参考訳（メタデータ） (2024-10-24T12:32:22Z)
• Understanding The Effectiveness of Lossy Compression in Machine Learning Training Sets [7.261516807130813]
  機械学習と人工知能(ML/AI)技術は、ハイパフォーマンスコンピューティングでますます普及している。 データ圧縮はこれらの問題の解決策となり得るが、損失圧縮がモデル品質にどのように影響するかを深く理解する必要がある。 現代の損失圧縮手法は、品質の1%以下の損失に対して、50-100倍圧縮率の改善を達成できることを示す。
  論文  参考訳（メタデータ） (2024-03-23T23:14:37Z)
• Point Cloud Compression via Constrained Optimal Transport [10.795619052889952]
  COT-PCCは最適輸送の余分な制約として圧縮された特徴を用いる。 元の点と再構成された点の間の分布変換を学習する。 COT-PCCはCDとPSNRの両方で最先端の手法より優れている。
  論文  参考訳（メタデータ） (2024-03-13T04:36:24Z)
• Unrolled Compressed Blind-Deconvolution [77.88847247301682]
  sparse multi channel blind deconvolution (S-MBD) はレーダー/ソナー/超音波イメージングなどの多くの工学的応用で頻繁に発生する。 そこで本研究では,受信した全信号に対して,はるかに少ない測定値からブラインドリカバリを可能にする圧縮手法を提案する。
  論文  参考訳（メタデータ） (2022-09-28T15:16:58Z)
• Capturing the Denoising Effect of PCA via Compression Ratio [3.967854215226183]
  主成分分析(PCA)は機械学習における最も基本的なツールの1つである。 本稿では,PCAが高次元雑音データに与える影響を捉えるために,Emphcompression ratioと呼ばれる新しい指標を提案する。 この新しい指標に基づいて、我々は、外れ値を検出するのに使える簡単なアルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-04-22T18:43:47Z)
• Efficient Data Compression for 3D Sparse TPC via Bicephalous Convolutional Autoencoder [8.759778406741276]
  この研究は、textitBicephalous Convolutional AutoEncoder (BCAE)と呼ばれる、空間と回帰を同時に解決するデュアルヘッドオートエンコーダを導入している。 これはMGARD、SZ、ZFPといった従来のデータ圧縮手法と比較して圧縮忠実度と比の両方の利点を示している。
  論文  参考訳（メタデータ） (2021-11-09T21:26:37Z)
• Remote Multilinear Compressive Learning with Adaptive Compression [107.87219371697063]
  MultiIoT Compressive Learning (MCL)は、多次元信号に対する効率的な信号取得および学習パラダイムである。 MCLモデルにそのような機能を実現するための新しい最適化手法を提案する。
  論文  参考訳（メタデータ） (2021-09-02T19:24:03Z)
• Efficient training of lightweight neural networks using Online Self-Acquired Knowledge Distillation [51.66271681532262]
  オンライン自己獲得知識蒸留(OSAKD)は、ディープニューラルネットワークの性能をオンライン的に向上することを目的としている。 出力特徴空間におけるデータサンプルの未知確率分布を推定するために、k-nnノンパラメトリック密度推定手法を用いる。
  論文  参考訳（メタデータ） (2021-08-26T14:01:04Z)
• An Efficient Statistical-based Gradient Compression Technique for Distributed Training Systems [77.88178159830905]
  Sparsity-Inducing Distribution-based Compression (SIDCo) は閾値に基づくスペーシフィケーションスキームであり、DGCと同等のしきい値推定品質を享受する。 SIDCoは,非圧縮ベースライン,Topk,DGC圧縮機と比較して,最大で41:7%,7:6%,1:9%の速度でトレーニングを高速化する。
  論文  参考訳（メタデータ） (2021-01-26T13:06:00Z)
• PowerGossip: Practical Low-Rank Communication Compression in Decentralized Deep Learning [62.440827696638664]
  本稿では,近隣労働者間のモデル差を直接圧縮する簡単なアルゴリズムを提案する。 中央集権的なディープラーニングのためにPowerSGDにインスパイアされたこのアルゴリズムは、パワーステップを使用して、1ビットあたりの転送情報を最大化する。
  論文  参考訳（メタデータ） (2020-08-04T09:14:52Z)

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。