論文の概要: On Handling Catastrophic Forgetting for Incremental Learning of Human Physical Activity on the Edge

• arxiv url: http://arxiv.org/abs/2302.09310v1
• Date: Sat, 18 Feb 2023 11:55:01 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-21 19:23:55.967376
• Title: On Handling Catastrophic Forgetting for Incremental Learning of Human Physical Activity on the Edge
• Title（参考訳）: エッジ上での人体活動の増分学習のための破滅的予測処理について
• Authors: Jingwei Zuo, George Arvanitakis and Hakim Hacid
• Abstract要約: PILOTEは、インクリメンタルな学習プロセスを極端にプッシュし、信頼性の高いデータプライバシと実用性を提供します。 モバイルセンサから収集した人間の活動データについて, PILOTEを広範囲にわたる実験により検証した。
• 参考スコア（独自算出の注目度）: 1.4695979686066065
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Human activity recognition (HAR) has been a classic research problem. In particular, with recent machine learning (ML) techniques, the recognition task has been largely investigated by companies and integrated into their products for customers. However, most of them apply a predefined activity set and conduct the learning process on the cloud, hindering specific personalizations from end users (i.e., edge devices). Even though recent progress in Incremental Learning allows learning new-class data on the fly, the learning process is generally conducted on the cloud, requiring constant data exchange between cloud and edge devices, thus leading to data privacy issues. In this paper, we propose PILOTE, which pushes the incremental learning process to the extreme edge, while providing reliable data privacy and practical utility, e.g., low processing latency, personalization, etc. In particular, we consider the practical challenge of extremely limited data during the incremental learning process on edge, where catastrophic forgetting is required to be handled in a practical way. We validate PILOTE with extensive experiments on human activity data collected from mobile sensors. The results show PILOTE can work on edge devices with extremely limited resources while providing reliable performance.
• Abstract（参考訳）: 人間活動認識(HAR)は古典的な研究課題である。 特に、最近の機械学習(ML)技術では、認識タスクは企業によって主に調査され、顧客向けの製品に統合されている。 しかし、それらの多くは事前に定義されたアクティビティセットを適用し、クラウド上で学習プロセスを実行し、エンドユーザー(エッジデバイス)からの特定のパーソナライズを妨げる。 インクリメンタルラーニングの最近の進歩は、新しいクラスのデータをオンザフライで学習することを可能にするが、学習プロセスは一般的にクラウド上で行われ、クラウドとエッジデバイスの間で一定のデータ交換を必要とする。 本稿では,信頼性の高いデータプライバシと実用性(低処理遅延,パーソナライゼーションなど)を提供しながら,段階的な学習プロセスを極端に進めるPILOTEを提案する。 特に,エッジ上のインクリメンタルな学習プロセスにおいて,極めて限定的なデータの実用的課題を考える。 移動センサから収集した人間行動データに関する広範囲な実験を行い,パイロット検証を行った。 その結果,PILOTEは極めて限られたリソースを持つエッジデバイス上で動作し,信頼性の高い性能を実現することができた。

関連論文リスト

• Learn while Unlearn: An Iterative Unlearning Framework for Generative Language Models [49.043599241803825]
  Iterative Contrastive Unlearning (ICU)フレームワークは3つのコアコンポーネントで構成されている。 知識未学習誘導モジュールは、未学習の損失を通じて特定の知識を除去する。 Contrastive Learning Enhancementモジュールは、純粋な未学習の目標に対してモデルの表現力を維持する。 また、特定のデータ片の未学習範囲を動的に評価し、反復的な更新を行う反復未学習リファインメントモジュールも用意されている。
  論文  参考訳（メタデータ） (2024-07-25T07:09:35Z)
• MAGNETO: Edge AI for Human Activity Recognition -- Privacy and Personalization [1.494944639485053]
  MAGNETOは、HARタスクをクラウドからエッジにプッシュするEdge AIプラットフォームである。 これにより、強力なプライバシ保証、低処理レイテンシ、ユーザに対する高度なパーソナライズが可能になる。
  論文  参考訳（メタデータ） (2024-02-11T12:29:16Z)
• PILOT: A Pre-Trained Model-Based Continual Learning Toolbox [71.63186089279218]
  本稿では,PILOTとして知られるモデルベース連続学習ツールボックスについて紹介する。 一方、PILOTはL2P、DualPrompt、CODA-Promptといった事前学習モデルに基づいて、最先端のクラスインクリメンタル学習アルゴリズムを実装している。 一方、PILOTは、事前学習されたモデルの文脈に典型的なクラス増分学習アルゴリズムを適合させ、それらの効果を評価する。
  論文  参考訳（メタデータ） (2023-09-13T17:55:11Z)
• Practical Insights on Incremental Learning of New Human Physical Activity on the Edge [1.494944639485053]
  We focus the intricacies of Edge-based learning, examined the interdeependency between (i) constrained data storage on Edge devices, (ii) limited computer power for training, and (iii) the number of learning classes。
  論文  参考訳（メタデータ） (2023-08-22T16:40:09Z)
• Responsible Active Learning via Human-in-the-loop Peer Study [88.01358655203441]
  我々は,データプライバシを同時に保持し,モデルの安定性を向上させるために,Pear Study Learning (PSL) と呼ばれる責任あるアクティブラーニング手法を提案する。 まず,クラウドサイドのタスク学習者(教師)から未学習データを分離する。 トレーニング中、タスク学習者は軽量なアクティブ学習者に指示し、アクティブサンプリング基準に対するフィードバックを提供する。
  論文  参考訳（メタデータ） (2022-11-24T13:18:27Z)
• Learning and Retrieval from Prior Data for Skill-based Imitation Learning [47.59794569496233]
  従来のデータから時間的に拡張された感触者スキルを抽出する,スキルベースの模倣学習フレームワークを開発した。 新規タスクの性能を著しく向上させる重要な設計選択をいくつか挙げる。
  論文  参考訳（メタデータ） (2022-10-20T17:34:59Z)
• Lifelong Adaptive Machine Learning for Sensor-based Human Activity Recognition Using Prototypical Networks [0.0]
  連続学習は、生涯学習としても知られ、機械学習分野への関心が高まりつつある研究トピックである。 我々は,連続機械学習の分野における最近の進歩を基盤に,プロトタイプネットワーク(LPPNet-HAR)を用いた生涯適応型学習フレームワークを設計する。 LAPNet-HARは、タスクフリーなデータインクリメンタルな方法でセンサベースのデータストリームを処理する。
  論文  参考訳（メタデータ） (2022-03-11T00:57:29Z)
• Online Continual Learning with Natural Distribution Shifts: An Empirical Study with Visual Data [101.6195176510611]
  オンライン」連続学習は、情報保持とオンライン学習の有効性の両方を評価することができる。 オンライン連続学習では、入力される各小さなデータをまずテストに使用し、次にトレーニングセットに追加し、真にオンラインにします。 本稿では,大規模かつ自然な分布変化を示すオンライン連続視覚学習のための新しいベンチマークを提案する。
  論文  参考訳（メタデータ） (2021-08-20T06:17:20Z)
• Continual Learning at the Edge: Real-Time Training on Smartphone Devices [11.250227901473952]
  本稿では,デバイス上でリアルタイムなパーソナライズを実現するために,ネイティブなAndroidアプリケーション上でのハイブリッド学習戦略(AR1*)の実装と展開について述べる。 我々のベンチマークはCORe50データセットの拡張に基づいており、ソリューションの有効性と有効性を示している。
  論文  参考訳（メタデータ） (2021-05-24T12:00:31Z)
• Omni-supervised Facial Expression Recognition via Distilled Data [120.11782405714234]
  ネットワークトレーニングにおいて,信頼度の高いサンプルを多量のラベルのないデータで活用するためのオムニ教師付き学習を提案する。 我々は,新しいデータセットが学習したFERモデルの能力を大幅に向上させることができることを実験的に検証した。 そこで本研究では,生成したデータセットを複数のクラスワイド画像に圧縮するために,データセット蒸留戦略を適用することを提案する。
  論文  参考訳（メタデータ） (2020-05-18T09:36:51Z)

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。