Fugu-MT 論文翻訳(概要): Datasheets for Machine Learning Sensors

論文の概要: Datasheets for Machine Learning Sensors

arxiv url: http://arxiv.org/abs/2306.08848v4
Date: Tue, 28 Oct 2025 17:53:16 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-29 17:50:19.912867
Title: Datasheets for Machine Learning Sensors
Title（参考訳）: 機械学習センサのためのデータシート
Authors: Matthew Stewart, Yuke Zhang, Pete Warden, Yasmine Omri, Shvetank Prakash, Jacob Huckelberry, Joao Henrique Santos, Shawn Hymel, Benjamin Yeager Brown, Jim MacArthur, Nat Jeffries, Emanuel Moss, Mona Sloane, Brian Plancher, Vijay Janapa Reddi,
Abstract要約: 機械学習(ML)は、組み込みAIセンサーシステムで普及しつつある。これらの"MLセンサー"は、コンテキストに敏感でリアルタイムなデータ収集と意思決定を可能にする。このようなML対応センシングシステムの運用には透明性を提供する必要がある。
参考スコア（独自算出の注目度）: 11.73392532310473
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Machine learning (ML) is becoming prevalent in embedded AI sensing systems. These "ML sensors" enable context-sensitive, real-time data collection and decision-making across diverse applications ranging from anomaly detection in industrial settings to wildlife tracking for conservation efforts. As such, there is a need to provide transparency in the operation of such ML-enabled sensing systems through comprehensive documentation. This is needed to enable their reproducibility, to address new compliance and auditing regimes mandated in regulation and industry-specific policy, and to verify and validate the responsible nature of their operation. To address this gap, we introduce the datasheet for ML sensors framework. We provide a comprehensive template, collaboratively developed in academia-industry partnerships, that captures the distinct attributes of ML sensors, including hardware specifications, ML model and dataset characteristics, end-to-end performance metrics, and environmental impacts. Our framework addresses the continuous streaming nature of sensor data, real-time processing requirements, and embeds benchmarking methodologies that reflect real-world deployment conditions, ensuring practical viability. Aligned with the FAIR principles (Findability, Accessibility, Interoperability, and Reusability), our approach enhances the transparency and reusability of ML sensor documentation across academic, industrial, and regulatory domains. To show the application of our approach, we present two datasheets: the first for an open-source ML sensor designed in-house and the second for a commercial ML sensor developed by industry collaborators, both performing computer vision-based person detection.
Abstract（参考訳）: 機械学習(ML)は、組み込みAIセンサーシステムで普及しつつある。これらの"MLセンサー"は、産業環境における異常検出から保護活動のための野生生物追跡まで、さまざまなアプリケーションにわたる、コンテキストに敏感でリアルタイムなデータ収集と意思決定を可能にする。そのため、包括的なドキュメントを通じて、このようなML対応センシングシステムの運用に透明性を提供する必要がある。これは、その再現性を有効にし、規制や業界固有の政策に課された新たなコンプライアンスと監査体制に対処し、その業務の責任を負う性質を検証・検証するために必要である。このギャップに対処するために、MLセンサーフレームワーク用のデータシートを紹介します。このテンプレートは、ハードウェア仕様、MLモデルとデータセットの特徴、エンドツーエンドのパフォーマンス指標、環境影響など、MLセンサの異なる特性をキャプチャします。本フレームワークは,センサデータの連続的ストリーミング特性,リアルタイム処理要件,実環境の展開条件を反映したベンチマーク手法の組み込み,実用性を保証する。 FAIRの原則(適合性、アクセシビリティ、相互運用性、再利用性)に従って、私たちのアプローチは、学術、工業、規制分野にわたるMLセンサードキュメントの透明性と再利用性を高めます。提案手法の適用性を示すため,業界協力者が開発したオープンソースのMLセンサを内製した第1号と,商用MLセンサを内製した第2号の2つのデータシートを提案する。

関連論文リスト

SensorLM: Learning the Language of Wearable Sensors [50.95988682423808]
本稿では,自然言語によるウェアラブルセンサデータ理解を可能にするセンサ言語基盤モデルのファミリーであるSensorLMを紹介する。本稿では,センサデータから統計的,構造的,意味的な情報を収集する階層的なキャプション生成パイプラインを提案する。このアプローチにより、これまでで最大のセンサー言語データセットのキュレーションが可能となり、103,000人以上から5970万時間以上のデータを収集した。
論文参考訳（メタデータ） (2025-06-10T17:13:09Z)
Gensors: Authoring Personalized Visual Sensors with Multimodal Foundation Models and Reasoning [61.17099595835263]
Gensorsは、ユーザがMLLMの推論能力によってサポートされているカスタマイズされたセンサーを定義することを可能にするシステムである。ユーザスタディでは、Gensorsを用いてセンサーを定義するとき、参加者はコントロール、理解、コミュニケーションの容易さを著しく向上させた。
論文参考訳（メタデータ） (2025-01-27T01:47:57Z)
Towards Human-Guided, Data-Centric LLM Co-Pilots [53.35493881390917]
CliMB-DCは、機械学習コパイロットのための、ヒューマンガイド付き、データ中心のフレームワークである。高度なデータ中心ツールとLLM駆動推論を組み合わせることで、堅牢でコンテキスト対応のデータ処理を可能にする。 CliMB-DCが未処理のデータセットをML対応フォーマットに変換する方法を示す。
論文参考訳（メタデータ） (2025-01-17T17:51:22Z)
SensorBench: Benchmarking LLMs in Coding-Based Sensor Processing [6.8009140511761546]
大規模言語モデル(LLM)は、知覚データを処理する上で有望な能力を持ち、センサーシステムを開発するための副操縦士としての可能性を示している。我々は,定量化のための総合的なベンチマークであるSensorBenchを構築した。以上の結果から,LLMは単純なタスクでかなりの習熟度を示す一方で,構成タスクの処理において固有の課題に直面していることが明らかとなった。
論文参考訳（メタデータ） (2024-10-14T17:21:39Z)
SensorLLM: Aligning Large Language Models with Motion Sensors for Human Activity Recognition [9.072495000412943]
我々は、Large Language Models(LLM)が人間の活動認識(HAR)のような時系列タスクを理解できるようにすることで、ウェアラブルセンサー技術とパーソナライズされたAIアシスタントのギャップを埋める。センサデータタスクに対するLLMのポテンシャルを解放する2段階フレームワークであるSensorLLMを紹介する。我々は,SensorLLMが効果的なセンサ学習者,推論者,学習者へと進化し,HARタスクのための多様なデータセットをまたいで一般化できることを示す。
論文参考訳（メタデータ） (2024-10-14T15:30:41Z)
LOKI: A Comprehensive Synthetic Data Detection Benchmark using Large Multimodal Models [55.903148392998965]
複数モードで合成データを検出するLMMの能力を評価するための新しいベンチマークであるLOKIを紹介する。このベンチマークには、粗粒度判定と多重選択質問、微粒度の異常選択と説明タスクが含まれている。 LOKI上で22のオープンソースLMMと6つのクローズドソースモデルを評価し、合成データ検出器としての可能性を強調し、LMM機能開発におけるいくつかの制限を明らかにした。
論文参考訳（メタデータ） (2024-10-13T05:26:36Z)
A Plug-in Tiny AI Module for Intelligent and Selective Sensor Data Transmission [10.174575604689391]
本稿では、インテリジェントなデータ伝送機能を備えたセンシングフレームワークを実現するための新しいセンシングモジュールを提案する。センサの近くに置かれる高効率機械学習モデルを統合する。このモデルは,無関係な情報を破棄しながら,貴重なデータのみを送信するセンサシステムに対して,迅速なフィードバックを提供する。
論文参考訳（メタデータ） (2024-02-03T05:41:39Z)
Federated Learning on Edge Sensing Devices: A Review [0.0]
プライバシ、ハードウェア、接続性の制限に対するソリューションとして、フェデレートラーニング(FL)が登場している。 FLの主要な原則、ソフトウェアフレームワーク、テストベッドに重点を置いています。また,現在のセンサ技術,センサ装置の特性,FLを利用したセンサアプリケーションについても検討する。
論文参考訳（メタデータ） (2023-11-02T12:55:26Z)
Vulnerability of Machine Learning Approaches Applied in IoT-based Smart Grid: A Review [51.31851488650698]
機械学習(ML)は、IoT(Internet-of-Things)ベースのスマートグリッドでの使用頻度が高まっている。電力信号に注入された逆方向の歪みはシステムの正常な制御と操作に大きな影響を及ぼす安全クリティカルパワーシステムに適用されたMLsgAPPの脆弱性評価を行うことが不可欠である。
論文参考訳（メタデータ） (2023-08-30T03:29:26Z)
Low-cost Efficient Wireless Intelligent Sensor (LEWIS) for Engineering, Research, and Education [72.2614468437919]
センサによって決定を下すスマートシティのビジョンは、これまで実現されていない。土木技術者はセンサー技術に関する知識を欠いている。センサーに関連する電気部品とコンピュータの知識は、土木技術者にとって依然として課題である。
論文参考訳（メタデータ） (2023-03-23T21:49:26Z)
Semantic Information Marketing in The Metaverse: A Learning-Based Contract Theory Framework [68.8725783112254]
仮想サービスプロバイダ(VSP)によるインセンティブのメカニズム設計の問題に対処し,センサデータ販売にIoTデバイスを採用。帯域幅が限られているため,センサIoTデバイスによる配信データを削減するためにセマンティック抽出アルゴリズムを提案する。本稿では,新しい反復型契約設計を提案し,マルチエージェント強化学習(MARL)の新たな変種を用いて,モデル付き多次元契約問題の解法を提案する。
論文参考訳（メタデータ） (2023-02-22T15:52:37Z)
SECOE: Alleviating Sensors Failure in Machine Learning-Coupled IoT Systems [0.0]
本論文は,センサ障害を同時に緩和するための積極的なアプローチであるSECOEを提案する。 SECOEは、センサー間の相関を利用してアンサンブル内のモデル数を最小化する新しい技術を含んでいる。実験の結果,SECOEはセンサ故障の有無の予測精度を効果的に維持することがわかった。
論文参考訳（メタデータ） (2022-10-05T10:58:39Z)
Machine Learning Sensors [4.263101392970408]
機械学習センサーは、組み込み機械学習アプリケーションの将来へのパラダイムシフトを表している。組み込み機械学習(ML)の現在のインスタンス化は、複雑な統合、モジュール化の欠如、プライバシとセキュリティの懸念に悩まされている。本稿では、これらの課題に対処するために、エッジデバイスにセンサインテリジェンスを埋め込むための、よりデータ中心のパラダイムを提案する。
論文参考訳（メタデータ） (2022-06-07T13:22:13Z)
Bayesian Imitation Learning for End-to-End Mobile Manipulation [80.47771322489422]
RGB + 深度カメラのような追加のセンサー入力によるポリシーの強化は、ロボットの知覚能力を改善するための簡単なアプローチである。畳み込みニューラルネットワークを正規化するために変分情報ボトルネックを用いることで、保持領域への一般化が向上することを示す。提案手法は, シミュレーションと現実のギャップを埋めることと, RGBと奥行き変調をうまく融合できることを実証する。
論文参考訳（メタデータ） (2022-02-15T17:38:30Z)
SensiX++: Bringing MLOPs and Multi-tenant Model Serving to Sensory Edge Devices [69.1412199244903]
エッジデバイス上でMLOpsを統合した,適応モデル実行のためのマルチテナントランタイムを提案する。 S SensiX++は、高度にモジュール化されたコンポーネント化と、明確な抽象化によるデータ操作の外部化と、システム全体のオーケストレーションのためのドキュメント中心の宣言という、2つの基本原則で運用されている。 SensiX++のさまざまな自動化コンポーネントの全体的なスループットと定量化メリットについて報告し、運用の複雑さを著しく低減し、エッジデバイスへの組み込みモデルのデプロイ、アップグレード、再構成、提供の労力を削減する効果を実証する。
論文参考訳（メタデータ） (2021-09-08T22:06:16Z)

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。