論文の概要: UR2M: Uncertainty and Resource-Aware Event Detection on Microcontrollers
- arxiv url: http://arxiv.org/abs/2402.09264v3
- Date: Tue, 12 Mar 2024 23:25:10 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-14 17:27:32.366522
- Title: UR2M: Uncertainty and Resource-Aware Event Detection on Microcontrollers
- Title（参考訳）: UR2M:マイクロコントローラにおける不確実性とリソース認識イベント検出
- Authors: Hong Jia, Young D. Kwon, Dong Ma, Nhat Pham, Lorena Qendro, Tam Vu and
Cecilia Mascolo
- Abstract要約: 従来の機械学習技術は、データの分布の変化に直面したとき、不正確な予測を生成する傾向がある。
本稿では,マイクロコントローラのための新しい不確実性とリソースを考慮したイベント検出フレームワークUR2Mを提案する。
UR2Mは最大864%の高速化、857%の省エネルギー、55%のメモリ節約を実現している。
- 参考スコア（独自算出の注目度）: 13.769777594980646
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Traditional machine learning techniques are prone to generating inaccurate
predictions when confronted with shifts in the distribution of data between the
training and testing phases. This vulnerability can lead to severe
consequences, especially in applications such as mobile healthcare. Uncertainty
estimation has the potential to mitigate this issue by assessing the
reliability of a model's output. However, existing uncertainty estimation
techniques often require substantial computational resources and memory, making
them impractical for implementation on microcontrollers (MCUs). This limitation
hinders the feasibility of many important on-device wearable event detection
(WED) applications, such as heart attack detection.
In this paper, we present UR2M, a novel Uncertainty and Resource-aware event
detection framework for MCUs. Specifically, we (i) develop an uncertainty-aware
WED based on evidential theory for accurate event detection and reliable
uncertainty estimation; (ii) introduce a cascade ML framework to achieve
efficient model inference via early exits, by sharing shallower model layers
among different event models; (iii) optimize the deployment of the model and
MCU library for system efficiency. We conducted extensive experiments and
compared UR2M to traditional uncertainty baselines using three wearable
datasets. Our results demonstrate that UR2M achieves up to 864% faster
inference speed, 857% energy-saving for uncertainty estimation, 55% memory
saving on two popular MCUs, and a 22% improvement in uncertainty quantification
performance.
UR2M can be deployed on a wide range of MCUs, significantly expanding
real-time and reliable WED applications.
- Abstract（参考訳）: 従来の機械学習技術は、トレーニングとテストフェーズ間のデータの分散の変化に直面すると、不正確な予測を生成する傾向がある。
この脆弱性は、特にモバイルヘルスケアのようなアプリケーションにおいて、深刻な結果をもたらす可能性がある。
不確実性推定は、モデルの出力の信頼性を評価することによってこの問題を軽減する可能性がある。
しかし、既存の不確実性推定技術は、しばしばかなりの計算資源とメモリを必要とするため、マイクロコントローラ(MCU)の実装には実用的ではない。
この制限は、心臓発作検出など多くの重要なデバイス上のウェアラブルイベント検出(WED)アプリケーションの実現を妨げている。
本稿では,MCUのための新しい不確実性とリソース認識イベント検出フレームワークUR2Mを提案する。
具体的には
一 正確な事象検出及び確実な不確実性推定のための明らかな理論に基づく不確実性対応WEDを開発すること。
(II)異なるイベントモデル間でより浅いモデルレイヤを共有することにより、早期出口を通じた効率的なモデル推論を実現するためのカスケードMLフレームワークを導入する。
(iii)システム効率のためにモデルとMCUライブラリのデプロイを最適化する。
広範に実験を行い、3つのウェアラブルデータセットを用いてUR2Mを従来の不確実性ベースラインと比較した。
その結果,UR2Mは最大864%の高速推論速度,857%の省エネルギー,55%のメモリ節約,2つのMCUにおける不確実性定量化性能が向上した。
UR2Mは広範囲のMCUにデプロイでき、リアルタイムおよび信頼性の高いWEDアプリケーションを大幅に拡張する。
関連論文リスト
- Experimental demonstration of Robust Amplitude Estimation on near-term quantum devices for chemistry applications [36.136619420474766]
本研究では,IBM量子デバイス上でのロバスト振幅推定(RAE)のハードウェア実装について検討する。
一量子および二量子ハミルトニアン系に対する量子化学への応用を実証する。
論文 参考訳（メタデータ） (2024-10-01T13:42:01Z) - Mutual Information-calibrated Conformal Feature Fusion for
Uncertainty-Aware Multimodal 3D Object Detection at the Edge [1.7898305876314982]
3次元(3D)物体検出は、重要なロボティクスの操作であり、大きな進歩を遂げている。
本研究は,共形推論の原理と情報理論測度を統合し,モンテカルロ自由な不確実性推定を行う。
このフレームワークは、KITTIの3Dオブジェクト検出ベンチマークにおいて、不確実性に気付かない類似のメソッドと同等またはより良いパフォーマンスを示す。
論文 参考訳（メタデータ） (2023-09-18T09:02:44Z) - Measuring and Modeling Uncertainty Degree for Monocular Depth Estimation [50.920911532133154]
単分子深度推定モデル(MDE)の本質的な不適切さと順序感性は、不確かさの程度を推定する上で大きな課題となる。
本稿では,MDEモデルの不確かさを固有確率分布の観点からモデル化する。
新たなトレーニング正規化用語を導入することで、驚くほど単純な構成で、余分なモジュールや複数の推論を必要とせずに、最先端の信頼性で不確実性を推定できる。
論文 参考訳（メタデータ） (2023-07-19T12:11:15Z) - Lightweight, Uncertainty-Aware Conformalized Visual Odometry [2.429910016019183]
データ駆動型ビジュアルオドメトリー(VO)は、自律エッジロボティクスにとって重要なサブルーチンである。
昆虫スケールドローンや外科ロボットのような最先端ロボットデバイスは、VOの予測の不確実性を推定する計算的に効率的な枠組みを欠いている。
本稿では,共形推論(CI)を利用してVOの不確実な帯域を抽出する,新しい,軽量で統計的に堅牢なフレームワークを提案する。
論文 参考訳（メタデータ） (2023-03-03T20:37:55Z) - On Efficient Uncertainty Estimation for Resource-Constrained Mobile
Applications [0.0]
予測の不確実性は、モデル予測を補完し、下流タスクの機能を改善します。
Axolotlフレームワークを用いてモンテカルロ・ドロップアウト(MCDO)モデルを構築することでこの問題に対処する。
我々は,(1)CIFAR10データセットを用いた多クラス分類タスク,(2)より複雑な人体セグメンテーションタスクについて実験を行った。
論文 参考訳（メタデータ） (2021-11-11T22:24:15Z) - Uncertainty-aware Remaining Useful Life predictor [57.74855412811814]
有効寿命 (Remaining Useful Life, RUL) とは、特定の産業資産の運用期間を推定する問題である。
本研究では,Deep Gaussian Processes (DGPs) を,前述の制限に対する解決策と捉える。
アルゴリズムの性能はNASAの航空機エンジン用N-CMAPSSデータセットで評価される。
論文 参考訳（メタデータ） (2021-04-08T08:50:44Z) - Trust but Verify: Assigning Prediction Credibility by Counterfactual
Constrained Learning [123.3472310767721]
予測信頼性尺度は統計学と機械学習において基本的なものである。
これらの措置は、実際に使用される多種多様なモデルを考慮に入れるべきである。
この研究で開発されたフレームワークは、リスクフィットのトレードオフとして信頼性を表現している。
論文 参考訳（メタデータ） (2020-11-24T19:52:38Z) - A comparison of Monte Carlo dropout and bootstrap aggregation on the
performance and uncertainty estimation in radiation therapy dose prediction
with deep learning neural networks [0.46180371154032895]
本稿では,モンテカルロ投棄法(MCDO)とブートストラップアグリゲーション(バッグング)をディープラーニングモデルに応用し,放射線治療用線量予測の不確かさを推定する手法を提案する。
パフォーマンス面では、バギングは調査対象のほとんどの指標において統計的に顕著な損失値と誤差を減少させる。
論文 参考訳（メタデータ） (2020-11-01T00:24:43Z) - Accurate and Robust Feature Importance Estimation under Distribution
Shifts [49.58991359544005]
PRoFILEは、新しい特徴重要度推定法である。
忠実さと頑健さの両面で、最先端のアプローチよりも大幅に改善されていることを示す。
論文 参考訳（メタデータ） (2020-09-30T05:29:01Z) - Discriminative Jackknife: Quantifying Uncertainty in Deep Learning via
Higher-Order Influence Functions [121.10450359856242]
我々は、モデル損失関数の影響関数を利用して、予測信頼区間のジャックニフェ(または、アウト・ワン・アウト)推定器を構築する頻繁な手順を開発する。
1)および(2)を満たすDJは、幅広いディープラーニングモデルに適用可能であり、実装が容易であり、モデルトレーニングに干渉したり、精度を妥協したりすることなく、ポストホックな方法で適用することができる。
論文 参考訳（メタデータ） (2020-06-29T13:36:52Z) - Learning to Predict Error for MRI Reconstruction [67.76632988696943]
提案手法による予測の不確実性は予測誤差と強く相関しないことを示す。
本稿では,2段階の予測誤差の目標ラベルと大小を推定する新しい手法を提案する。
論文 参考訳（メタデータ） (2020-02-13T15:55:32Z)
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。