論文の概要: Practical Insights on Incremental Learning of New Human Physical Activity on the Edge

• arxiv url: http://arxiv.org/abs/2308.11691v1
• Date: Tue, 22 Aug 2023 16:40:09 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-24 17:20:28.438113
• Title: Practical Insights on Incremental Learning of New Human Physical Activity on the Edge
• Title（参考訳）: エッジにおける新しい身体活動のインクリメンタル学習に関する実践的考察
• Authors: George Arvanitakis, Jingwei Zuo, Mthandazo Ndhlovu and Hakim Hacid
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 1.494944639485053
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Edge Machine Learning (Edge ML), which shifts computational intelligence from cloud-based systems to edge devices, is attracting significant interest due to its evident benefits including reduced latency, enhanced data privacy, and decreased connectivity reliance. While these advantages are compelling, they introduce unique challenges absent in traditional cloud-based approaches. In this paper, we delve into the intricacies of Edge-based learning, examining the interdependencies among: (i) constrained data storage on Edge devices, (ii) limited computational power for training, and (iii) the number of learning classes. Through experiments conducted using our MAGNETO system, that focused on learning human activities via data collected from mobile sensors, we highlight these challenges and offer valuable perspectives on Edge ML.
• Abstract（参考訳）: コンピューティングインテリジェンスをクラウドベースのシステムからエッジデバイスに移行するエッジ機械学習(Edge ML)は、レイテンシの低減、データプライバシの強化、接続依存の低減など、明らかなメリットから、大きな関心を集めている。 これらのアドバンテージは魅力的ですが、従来のクラウドベースのアプローチにはないユニークな課題を導入します。 本稿では,エッジベース学習の複雑さを掘り下げ,相互依存性について考察する。 (i)Edgeデバイス上の制約付きデータストレージ。 (ii)訓練の計算能力の制限、及び (iii)学習科目数 モバイルセンサから収集したデータによる人間の活動学習に焦点を当てたMAGNETOシステムを用いた実験を通じて、これらの課題を強調し、Edge MLに関する貴重な視点を提供する。

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)
• Uncertainty Estimation in Multi-Agent Distributed Learning for AI-Enabled Edge Devices [0.0]
  エッジIoTデバイスはFPGAとAIアクセラレータの導入によってパラダイムシフトを経験している。 この進歩は、エッジAIの実用性を強調し、その計算能力を大幅に増幅した。 本研究では,AI対応エッジデバイスによる分散データ処理を実現する手法について検討し,協調学習能力を向上する。
  論文  参考訳（メタデータ） (2024-03-14T07:40:32Z)
• 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)
• Edge-assisted U-Shaped Split Federated Learning with Privacy-preserving for Internet of Things [4.68267059122563]
  本稿では,エッジサーバの高性能機能を活用した,エッジ支援型U-Shaped Split Federated Learning (EUSFL) フレームワークを提案する。 このフレームワークでは、フェデレートラーニング(FL)を活用し、データ保持者がデータを共有せずに協調的にモデルをトレーニングできるようにします。 また,データの特徴やラベルが復元攻撃に対して確実に耐えられるように,ラベルDPと呼ばれる新しいノイズ機構を提案する。
  論文  参考訳（メタデータ） (2023-11-08T05:14:41Z)
• Edge Intelligence Over the Air: Two Faces of Interference in Federated Learning [95.31679010587473]
  フェデレートされたエッジ学習は、次世代無線ネットワークにおけるインテリジェンスの実現の基盤として考えられている。 本稿では,無線によるエッジ学習システムにおける干渉の肯定的および否定的影響について概説する。
  論文  参考訳（メタデータ） (2023-06-17T09:04:48Z)
• A Survey of Label-Efficient Deep Learning for 3D Point Clouds [109.07889215814589]
  本稿では,点雲のラベル効率学習に関する包括的調査を行う。 本稿では,ラベルの種類によって提供されるデータ前提条件に基づいて,ラベル効率のよい学習手法を整理する分類法を提案する。 それぞれのアプローチについて、問題設定の概要と、関連する進展と課題を示す広範な文献レビューを提供する。
  論文  参考訳（メタデータ） (2023-05-31T12:54:51Z)
• On Handling Catastrophic Forgetting for Incremental Learning of Human Physical Activity on the Edge [1.4695979686066065]
  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。
  論文  参考訳（メタデータ） (2023-02-18T11:55:01Z)
• Edge-Cloud Polarization and Collaboration: A Comprehensive Survey [61.05059817550049]
  クラウドとエッジ両方のAIの体系的なレビューを行います。 私たちはクラウドとエッジモデリングの協調学習メカニズムを最初にセットアップしました。 我々は現在進行中の最先端AIトピックの可能性と実践経験について議論する。
  論文  参考訳（メタデータ） (2021-11-11T05:58:23Z)
• Incentive Mechanism Design for Resource Sharing in Collaborative Edge Learning [106.51930957941433]
  5GとBeyondネットワークでは、人工知能のアプリケーションがますます普及すると予想されている。 これは、現在のクラウド中心のモデルトレーニングアプローチから、エッジラーニングとして知られるエッジコンピューティングベースの協調学習スキームへのパラダイムシフトを必要とする。
  論文  参考訳（メタデータ） (2020-05-31T12:45:06Z)
• Offline Reinforcement Learning: Tutorial, Review, and Perspectives on Open Problems [108.81683598693539]
  オフラインの強化学習アルゴリズムは、巨大なデータセットを強力な意思決定エンジンにできるという、大きな約束を持っています。 我々は,これらの課題,特に近代的な深層強化学習手法の文脈において,読者にこれらの課題を理解することを目的としている。
  論文  参考訳（メタデータ） (2020-05-04T17:00:15Z)

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。