論文の概要: Towards Implementing Energy-aware Data-driven Intelligence for Smart
Health Applications on Mobile Platforms
- arxiv url: http://arxiv.org/abs/2302.00514v1
- Date: Wed, 1 Feb 2023 15:34:24 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-02 12:48:21.637627
- Title: Towards Implementing Energy-aware Data-driven Intelligence for Smart
Health Applications on Mobile Platforms
- Title（参考訳）: モバイルプラットフォーム上でのスマートヘルスアプリケーションのためのエネルギ対応データ駆動インテリジェンスの実現に向けて
- Authors: G. Dumindu Samaraweera, Hung Nguyen, Hadi Zanddizari, Behnam Zeinali,
and J. Morris Chang
- Abstract要約: デバイス上でのディープラーニングフレームワークは、モバイルプラットフォームのコンピューティングリソースをシームレスに活用するのに熟練している。
しかし、モバイル機器のエネルギー資源は通常限られている。
我々はエネルギーを意識した適応モデル理解と実現を通じて新しい枠組みを導入する。
- 参考スコア（独自算出の注目度）: 4.648824029505978
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent breakthrough technological progressions of powerful mobile computing
resources such as low-cost mobile GPUs along with cutting-edge, open-source
software architectures have enabled high-performance deep learning on mobile
platforms. These advancements have revolutionized the capabilities of today's
mobile applications in different dimensions to perform data-driven intelligence
locally, particularly for smart health applications. Unlike traditional machine
learning (ML) architectures, modern on-device deep learning frameworks are
proficient in utilizing computing resources in mobile platforms seamlessly, in
terms of producing highly accurate results in less inference time. However, on
the flip side, energy resources in a mobile device are typically limited.
Hence, whenever a complex Deep Neural Network (DNN) architecture is fed into
the on-device deep learning framework, while it achieves high prediction
accuracy (and performance), it also urges huge energy demands during the
runtime. Therefore, managing these resources efficiently within the spectrum of
performance and energy efficiency is the newest challenge for any mobile
application featuring data-driven intelligence beyond experimental evaluations.
In this paper, first, we provide a timely review of recent advancements in
on-device deep learning while empirically evaluating the performance metrics of
current state-of-the-art ML architectures and conventional ML approaches with
the emphasis given on energy characteristics by deploying them on a smart
health application. With that, we are introducing a new framework through an
energy-aware, adaptive model comprehension and realization (EAMCR) approach
that can be utilized to make more robust and efficient inference decisions
based on the available computing/energy resources in the mobile device during
the runtime.
- Abstract（参考訳）: ローコストのモバイルgpuのような強力なモバイルコンピューティングリソースと最先端のオープンソースソフトウェアアーキテクチャの技術的進歩により、モバイルプラットフォームでのハイパフォーマンスなディープラーニングが可能になった。
これらの進歩は、特にスマートヘルスアプリケーションにおいて、ローカルでデータ駆動型インテリジェンスを実行するために、今日のモバイルアプリケーションのさまざまな次元の能力に革命をもたらした。
従来の機械学習(ML)アーキテクチャとは異なり、現代のデバイス上でのディープラーニングフレームワークは、推論時間の短縮という観点から、モバイルプラットフォームのコンピューティングリソースをシームレスに活用するのに熟練している。
しかし、反対にモバイルデバイスのエネルギー資源は一般的に限られている。
したがって、複雑なDeep Neural Network(DNN)アーキテクチャがデバイス上でのディープラーニングフレームワークに入力されるたびに、高い予測精度(とパフォーマンス)を達成すると同時に、実行時に巨大なエネルギー要求も促される。
したがって、これらのリソースを性能とエネルギー効率の範囲内で効率的に管理することは、実験的な評価を超えたデータ駆動インテリジェンスを備えたモバイルアプリケーションにとって、最新の課題である。
本稿では、まず、現在最先端のMLアーキテクチャと従来のMLアプローチのパフォーマンス指標を、スマートヘルスアプリケーションにデプロイすることでエネルギー特性に重点を置いて実証的に評価しながら、デバイス上でのディープラーニングの最近の進歩をタイムリーにレビューする。
そこで我々は,エネルギ・アダプティブ・モデル理解・実現(EAMCR)アプローチを通じて新たなフレームワークを導入し,実行中にモバイルデバイスで利用可能なコンピューティング/エネルギーリソースに基づいて,より堅牢で効率的な推論決定を行う。
関連論文リスト
- Deep Learning Inference on Heterogeneous Mobile Processors: Potentials and Pitfalls [22.49750818224266]
リアルタイムなインテリジェントなアプリケーションのために、リソース制約のあるモバイルデバイスに計算集約型ディープラーニング(DL)モデルをデプロイする需要が高まっている。
モバイルデバイスは、異種プロセッサ間の並列実行を通じてDL推論を加速する可能性を秘めている。
本稿では、異種モバイルプロセッサ上での並列DL推論に関連する機能と課題を評価するための総合的研究について述べる。
論文 参考訳（メタデータ） (2024-05-03T04:47:23Z) - Computation-efficient Deep Learning for Computer Vision: A Survey [121.84121397440337]
ディープラーニングモデルは、さまざまな視覚的知覚タスクにおいて、人間レベルのパフォーマンスに到達または超えた。
ディープラーニングモデルは通常、重要な計算資源を必要とし、現実のシナリオでは非現実的な電力消費、遅延、または二酸化炭素排出量につながる。
新しい研究の焦点は計算効率のよいディープラーニングであり、推論時の計算コストを最小限に抑えつつ、良好な性能を達成することを目指している。
論文 参考訳（メタデータ） (2023-08-27T03:55:28Z) - EPAM: A Predictive Energy Model for Mobile AI [6.451060076703027]
本稿では,異なるディープニューラルネットワーク(DNN)モデルと処理源を考慮したモバイルAIアプリケーションに関する総合的研究を紹介する。
4つの処理源を用いて,全モデルのレイテンシ,エネルギー消費,メモリ使用量を測定した。
私たちの研究は、CPU、GPU、NNAPIを使用して、異なるアプリケーション(ビジョンとノンビジョン)でモバイルAIがどのように振る舞うか、といった重要な洞察を強調しています。
論文 参考訳（メタデータ） (2023-03-02T09:11:23Z) - Trends in Energy Estimates for Computing in AI/Machine Learning
Accelerators, Supercomputers, and Compute-Intensive Applications [3.2634122554914]
幾何スケーリング法則により駆動される異なるシステムの計算エネルギー要求について検討する。
幾何スケーリングによるエネルギー効率が低下していることを示す。
応用レベルでは、汎用AI-ML手法は計算エネルギー集約化が可能である。
論文 参考訳（メタデータ） (2022-10-12T16:14:33Z) - 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) - Reconfigurable Intelligent Surface Assisted Mobile Edge Computing with
Heterogeneous Learning Tasks [53.1636151439562]
モバイルエッジコンピューティング(MEC)は、AIアプリケーションに自然なプラットフォームを提供します。
再構成可能なインテリジェントサーフェス(RIS)の助けを借りて、MECで機械学習タスクを実行するインフラストラクチャを提示します。
具体的には,モバイルユーザの送信パワー,基地局のビームフォーミングベクトル,risの位相シフト行列を共同で最適化することにより,参加ユーザの学習誤差を最小化する。
論文 参考訳（メタデータ） (2020-12-25T07:08:50Z) - To Talk or to Work: Flexible Communication Compression for Energy
Efficient Federated Learning over Heterogeneous Mobile Edge Devices [78.38046945665538]
巨大なモバイルエッジデバイス上でのフェデレーション学習(FL)は、多数のインテリジェントなモバイルアプリケーションのための新たな地平を開く。
FLは、定期的なグローバル同期と継続的なローカルトレーニングにより、参加するデバイスに膨大な通信と計算負荷を課す。
フレキシブルな通信圧縮を可能にする収束保証FLアルゴリズムを開発。
論文 参考訳（メタデータ） (2020-12-22T02:54:18Z) - 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) - Deep Learning based Pedestrian Inertial Navigation: Methods, Dataset and
On-Device Inference [49.88536971774444]
慣性測定ユニット(IMU)は小型で安価でエネルギー効率が良く、スマートデバイスや移動ロボットに広く使われている。
正確で信頼性の高い歩行者ナビゲーションをサポートするために慣性データをエクスプロイトすることは、新しいインターネット・オブ・シングス・アプリケーションやサービスにとって重要なコンポーネントである。
我々は、深層学習に基づく慣性ナビゲーション研究のための最初の公開データセットであるOxIOD(OxIOD)を提示、リリースする。
論文 参考訳（メタデータ） (2020-01-13T04:41:54Z) - Resource-Efficient Neural Networks for Embedded Systems [23.532396005466627]
本稿では,機械学習技術の現状について概説する。
私たちは、過去10年で主要な機械学習モデルであるディープニューラルネットワーク(DNN)に基づく、リソース効率の高い推論に焦点を当てています。
我々は、圧縮技術を用いて、よく知られたベンチマークデータセットの実験で議論を裏付ける。
論文 参考訳（メタデータ） (2020-01-07T14:17:09Z)
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。