論文の概要: An Ensemble Mobile-Cloud Computing Method for Affordable and Accurate Glucometer Readout

• arxiv url: http://arxiv.org/abs/2301.01758v1
• Date: Wed, 4 Jan 2023 18:48:53 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-05 15:58:03.365095
• Title: An Ensemble Mobile-Cloud Computing Method for Affordable and Accurate Glucometer Readout
• Title（参考訳）: 安価で正確なグルコメーター読み出しのためのアンサンブルモバイルクラウド計算法
• Authors: Navidreza Asadi, Maziar Goudarzi
• Abstract要約: 本稿では,アンサンブル学習アルゴリズム,モバイル・クラウド・コンピューティング・サービスアーキテクチャ,高可用性と迅速な応答時間を実現するためのシンプルな圧縮手法を提案する。 提案手法は,2つの異なるデータセットに対して92.1%と97.7%の精度を実現し,従来の手法を40%改善し,(2) 必要な帯域幅を,1%の精度で45倍削減し,(3) モバイル専用,クラウド専用,スプリットコンピューティング,早期終了サービスモデルと比較して,優れた可用性を提供する。
• 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: Despite essential efforts towards advanced wireless medical devices for regular monitoring of blood properties, many such devices are not available or not affordable for everyone in many countries. Alternatively using ordinary devices, patients ought to log data into a mobile health-monitoring manually. It causes several issues: (1) clients reportedly tend to enter unrealistic data; (2) typing values several times a day is bothersome and causes clients to leave the mobile app. Thus, there is a strong need to use now-ubiquitous smartphones, reducing error by capturing images from the screen of medical devices and extracting useful information automatically. Nevertheless, there are a few challenges in its development: (1) data scarcity has led to impractical methods with very low accuracy: to our knowledge, only small datasets are available in this case; (2) accuracy-availability tradeoff: one can execute a less accurate algorithm on a mobile phone to maintain higher availability, or alternatively deploy a more accurate and more compute-intensive algorithm on the cloud, however, at the cost of lower availability in poor/no connectivity situations. We present an ensemble learning algorithm, a mobile-cloud computing service architecture, and a simple compression technique to achieve higher availability and faster response time while providing higher accuracy by integrating cloud- and mobile-side predictions. Additionally, we propose an algorithm to generate synthetic training data which facilitates utilizing deep learning models to improve accuracy. Our proposed method achieves three main objectives: (1) 92.1% and 97.7% accuracy on two different datasets, improving previous methods by 40%, (2) reducing required bandwidth by 45x with 1% drop in accuracy, (3) and providing better availability compared to mobile-only, cloud-only, split computing, and early exit service models.
• Abstract（参考訳）: 血液特性の定期的なモニタリングのための先進的な無線医療機器への重要な取り組みにもかかわらず、多くの国でそのようなデバイスは利用できないか、手頃な価格ではない。 あるいは通常のデバイスを使う場合、患者はデータを手動でモバイルの健康モニタリングに記録する必要がある。 1)クライアントは非現実的なデータを入力する傾向があり、(2)1日に数回の型付けは面倒で、クライアントがモバイルアプリを離れる原因になります。 したがって、今やユビキタスなスマートフォンを使う必要が強く、医療機器の画面から画像をキャプチャし、自動的に有用な情報を抽出することでエラーを低減できる。 それにもかかわらず、その開発にはいくつかの課題がある: (1) データの不足は、非常に低い精度で実用的でない方法を生み出した: この場合、我々の知識では、小さなデータセットのみが利用可能である; (2) 正確性-可用性のトレードオフ: 携帯電話でより正確でないアルゴリズムを実行して高い可用性を維持する; あるいは、より正確で計算集約的なアルゴリズムをクラウドにデプロイする。 我々は,クラウドとモバイルサイドの予測を統合することで,より高可用性と迅速な応答時間を実現するために,アンサンブル学習アルゴリズム,モバイルクラウドコンピューティングサービスアーキテクチャ,およびシンプルな圧縮技術を提案する。 さらに,深層学習モデルを利用して精度を向上させる合成学習データを生成するアルゴリズムを提案する。 提案手法は,(1) 92.1% と 97.7% の精度,(2) 必要な帯域幅を,1% の精度で45倍削減すること,(3) モバイル専用,クラウド専用,分割型,早期終了型サービスモデルと比較して,可用性が向上すること,の3つの目的を達成する。

関連論文リスト

• FedMobileAgent: Training Mobile Agents Using Decentralized Self-Sourced Data from Diverse Users [50.780622043840076]
  我々はFedMobileAgentを提案する。FedMobileAgentは、多様なユーザーからの自己ソースデータを用いてモバイルエージェントを訓練するフレームワークである。 分散環境では、FedMobileAgentは集中型人間アノテーションモデルに匹敵するパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-02-05T08:26:17Z)
• DUET: A Tuning-Free Device-Cloud Collaborative Parameters Generation Framework for Efficient Device Model Generalization [66.27399823422665]
  デバイスモデル一般化(Device Model Generalization, DMG)は、デバイス上での機械学習アプリケーションにおいて、実用的ながら実証されていない研究トピックである。 本稿では,Device-cloUdコラボレーティブパラメトリクスフレームワークDUETを提案する。
  論文  参考訳（メタデータ） (2022-09-12T13:26:26Z)
• Augmented Bilinear Network for Incremental Multi-Stock Time-Series Classification [83.23129279407271]
  本稿では,有価証券のセットで事前学習したニューラルネットワークで利用可能な知識を効率的に保持する手法を提案する。 本手法では,既存の接続を固定することにより,事前学習したニューラルネットワークに符号化された事前知識を維持する。 この知識は、新しいデータを用いて最適化された一連の拡張接続によって、新しい証券に対して調整される。
  論文  参考訳（メタデータ） (2022-07-23T18:54:10Z)
• On-Device Training Under 256KB Memory [62.95579393237751]
  本稿では,256KBのメモリでデバイス上でのトレーニングを可能にするアルゴリズム・システム協調設計フレームワークを提案する。 私たちのフレームワークは256KBと1MBのFlashで畳み込みニューラルネットワークのデバイス上での小さなトレーニングを可能にする最初のソリューションです。
  論文  参考訳（メタデータ） (2022-06-30T17:59:08Z)
• Enhancement of Healthcare Data Performance Metrics using Neural Network Machine Learning Algorithms [0.3058685580689604]
  サンプリングレートと送信レートを調整することで制御できる効率と精度のトレードオフがある。 本稿では、機械学習が複雑な健康データメトリクスの分析に利用できることを示す。 Levenbery-Marquardtアルゴリズムは3.33の効率と79.17%の精度で最高の性能を発揮した。
  論文  参考訳（メタデータ） (2022-01-16T04:08:07Z)
• It's always personal: Using Early Exits for Efficient On-Device CNN Personalisation [19.046126301352274]
  強力なハードウェアとモデル圧縮技術が利用可能になったことにより、デバイス上での機械学習が現実化しつつある。 本研究では、より小さなパーソナライズされたモデルを用いて特定のシナリオに適合させることを観察する。 PershonEPEEは、初期出口をモデルにアタッチし、デバイス上でパーソナライズするフレームワークである。
  論文  参考訳（メタデータ） (2021-02-02T09:10:17Z)
• A Data-Efficient Deep Learning Based Smartphone Application For Detection Of Pulmonary Diseases Using Chest X-rays [0.0]
  アプリはモバイルカメラから撮影したChest X-Rayイメージを入力し、クラウドプラットフォームのAIアーキテクチャにリレーする。 スマートフォンの医師はこのアプリケーションを利用すれば、新型コロナウイルス(COVID-19)の診断に要する時間を大幅に節約できる。
  論文  参考訳（メタデータ） (2020-08-19T04:28:17Z)
• Faster Secure Data Mining via Distributed Homomorphic Encryption [108.77460689459247]
  ホモモルフィック暗号化(HE)は、最近、暗号化されたフィールド上で計算を行う能力により、ますます注目を集めている。 本稿では,スケーリング問題の解決に向けて,新しい分散HEベースのデータマイニングフレームワークを提案する。 各種データマイニングアルゴリズムとベンチマークデータセットを用いて,新しいフレームワークの有効性と有効性を検証する。
  論文  参考訳（メタデータ） (2020-06-17T18:14:30Z)
• Towards Efficient Scheduling of Federated Mobile Devices under Computational and Statistical Heterogeneity [16.069182241512266]
  本稿では,モバイルデバイス上での分散学習の実装について検討する。 チューニングノブとしてデータを使用し、異なるワークロードをスケジュールする2つの効率的な時間アルゴリズムを提案する。 一般的なベンチマークと比較すると,提案アルゴリズムはCIFAR10で2-100倍の高速化,2-7%の精度向上,収束率を100%以上達成している。
  論文  参考訳（メタデータ） (2020-05-25T18:21:51Z)
• 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)
• Runtime Deep Model Multiplexing for Reduced Latency and Energy Consumption Inference [6.896677899938492]
  本稿では、最小の計算資源を消費するモデルを呼び出す軽量なニューラルマルチプレクサを設計する学習アルゴリズムを提案する。 モバイルデバイスは、提案されたアルゴリズムを使用して、簡単な入力をローカルに推論しながら、ハード入力をクラウドにオフロードすることができる。
  論文  参考訳（メタデータ） (2020-01-14T23:49:51Z)

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。