論文の概要: Sensor-Aware Classifiers for Energy-Efficient Time Series Applications on IoT Devices

• arxiv url: http://arxiv.org/abs/2407.08715v1
• Date: Thu, 11 Jul 2024 17:50:31 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-12 16:09:12.627951
• Title: Sensor-Aware Classifiers for Energy-Efficient Time Series Applications on IoT Devices
• Title（参考訳）: IoTデバイスにおけるエネルギー効率の良い時系列アプリケーションのためのセンサ対応分類器
• Authors: Dina Hussein, Lubah Nelson, Ganapati Bhat,
• Abstract要約: 時系列データ処理は、健康モニタリング、環境モニタリング、デジタル農業など、多くの実世界のアプリケーションにおいて重要なコンポーネントである。 機械学習(ML)モデルは、分類の一般化能力のため、時系列アプリケーションに採用されている。 精度を維持しつつエネルギー消費を最小限に抑えるため,部分センサウィンドウを備えた早期出口分類器を提案する。
• 参考スコア（独自算出の注目度）: 2.7446241148152257
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time-series data processing is an important component of many real-world applications, such as health monitoring, environmental monitoring, and digital agriculture. These applications collect distinct windows of sensor data (e.g., few seconds) and process them to assess the environment. Machine learning (ML) models are being employed in time-series applications due to their generalization abilities for classification. State-of-the-art time-series applications wait for entire sensor data window to become available before processing the data using ML algorithms, resulting in high sensor energy consumption. However, not all situations require processing full sensor window to make accurate inference. For instance, in activity recognition, sitting and standing activities can be inferred with partial windows. Using this insight, we propose to employ early exit classifiers with partial sensor windows to minimize energy consumption while maintaining accuracy. Specifically, we first utilize multiple early exits with successively increasing amount of data as they become available in a window. If early exits provide inference with high confidence, we return the label and enter low power mode for sensors. The proposed approach has potential to enable significant energy savings in time series applications. We utilize neural networks and random forest classifiers to evaluate our approach. Our evaluations with six datasets show that the proposed approach enables up to 50-60% energy savings on average without any impact on accuracy. The energy savings can enable time-series applications in remote locations with limited energy availability.
• Abstract（参考訳）: 時系列データ処理は、健康モニタリング、環境モニタリング、デジタル農業など、多くの実世界のアプリケーションにおいて重要なコンポーネントである。 これらのアプリケーションは、センサデータの異なるウィンドウ(例:数秒)を収集し、環境を評価するために処理する。 機械学習(ML)モデルは、分類の一般化能力のため、時系列アプリケーションに採用されている。 最先端の時系列アプリケーションは、MLアルゴリズムを使用してデータを処理する前に、センサデータウィンドウ全体が利用可能になるのを待つ。 しかし、全ての状況が正確な推論を行うために完全なセンサーウィンドウの処理を必要とするわけではない。 例えば、アクティビティ認識では、座位と立位は部分的なウィンドウで推測できる。 そこで本研究では, センサウィンドウを内蔵した早期出口分類器を用いて, 精度を維持しつつ, エネルギー消費を最小限に抑えることを提案する。 具体的には、まず複数のアーリーエグジットを利用して、ウィンドウで利用可能なデータ量を順次増加させます。 早期出口が信頼度の高い推論を提供する場合、ラベルを返却し、センサーの低電力モードに入る。 提案手法は, 時系列アプリケーションにおいて, 大幅な省エネを実現する可能性を秘めている。 我々は、ニューラルネットワークとランダム森林分類器を用いて、我々のアプローチを評価する。 6つのデータセットを用いて評価した結果,提案手法により平均50～60%の省エネが可能であり,精度に影響を与えないことがわかった。 省エネにより、遠隔地において限られたエネルギー利用量で時系列の応用が可能になる。

関連論文リスト

• Quanv4EO: Empowering Earth Observation by means of Quanvolutional Neural Networks [62.12107686529827]
  本稿は、大量のリモートセンシングデータの処理において、量子コンピューティング技術を活用することへの大きなシフトを取り上げる。 提案したQuanv4EOモデルでは,多次元EOデータを前処理するための準進化法が導入された。 主要な知見は,提案モデルが画像分類の精度を維持するだけでなく,EOのユースケースの約5%の精度向上を図っていることを示唆している。
  論文  参考訳（メタデータ） (2024-07-24T09:11:34Z)
• Event-based vision on FPGAs -- a survey [0.0]
  フィールドプログラマブルゲートアレイ(FPGA)は、高速なデータ処理(リアルタイムでも)とエネルギー効率を実現している。 本稿では、FPGAがイベントデータを処理するために様々な文脈で使われている、最も重要な研究の概要について述べる。 フィルタリング、ステレオビジョン、光学フロー、オブジェクト分類のためのAIベースのアルゴリズムの加速、検出と追跡、ロボット工学および検査システムにおける応用などである。
  論文  参考訳（メタデータ） (2024-07-11T10:07:44Z)
• Environmental Sensor Placement with Convolutional Gaussian Neural Processes [65.13973319334625]
  センサーは、特に南極のような遠隔地において、その測定の情報量が最大になるように配置することは困難である。 確率論的機械学習モデルは、予測の不確実性を最大限に低減するサイトを見つけることによって、情報的センサ配置を提案することができる。 本稿では,これらの問題に対処するために,畳み込み型ガウスニューラルプロセス(ConvGNP)を提案する。
  論文  参考訳（メタデータ） (2022-11-18T17:25:14Z)
• To Compute or not to Compute? Adaptive Smart Sensing in Resource-Constrained Edge Computing [1.7361161778148904]
  我々は,時間変化信号のサンプリングと基地局への更新をリモートグローバル監視のために送信するエッジコンピューティングアプリケーションのための,スマートセンサのネットワークを考察する。 センサーはセンサーと計算機能を備えており、生のデータを送信したり、送信前にオンボードで処理することができる。 計算と通信遅延の両方を埋め込んだ推定理論最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-09-05T23:46:42Z)
• Evaluating Short-Term Forecasting of Multiple Time Series in IoT Environments [67.24598072875744]
  IoT(Internet of Things)環境は、多数のIoT対応センシングデバイスを介して監視される。 この問題を緩和するため、センサーは比較的低いサンプリング周波数で動作するように設定されることが多い。 これは、予測などの後続の意思決定を劇的に妨げる可能性がある。
  論文  参考訳（メタデータ） (2022-06-15T19:46:59Z)
• Braille Letter Reading: A Benchmark for Spatio-Temporal Pattern Recognition on Neuromorphic Hardware [50.380319968947035]
  近年の深層学習手法は,そのようなタスクにおいて精度が向上しているが,従来の組込みソリューションへの実装は依然として計算量が非常に高く,エネルギーコストも高い。 文字読み込みによるエッジにおける触覚パターン認識のための新しいベンチマークを提案する。 フィードフォワードとリカレントスパイキングニューラルネットワーク(SNN)を、サロゲート勾配の時間によるバックプロパゲーションを用いてオフラインでトレーニングし比較し、効率的な推論のためにIntel Loihimorphicチップにデプロイした。 LSTMは14%の精度で繰り返しSNNより優れており、Loihi上での繰り返しSNNは237倍のエネルギーである。
  論文  参考訳（メタデータ） (2022-05-30T14:30:45Z)
• Motion Detection using CSI from Raspberry Pi 4 [5.826796031213696]
  チャネル状態情報(Channel State Information, CSI)は、低コストで非侵襲的な無線センシング方式である。 Raspberry Pi 4で収集, 処理されたCSIデータを用いた, 自己校正型モーション検出システムを開発した。
  論文  参考訳（メタデータ） (2021-11-17T13:17:02Z)
• DeepTimeAnomalyViz: A Tool for Visualizing and Post-processing Deep Learning Anomaly Detection Results for Industrial Time-Series [88.12892448747291]
  DeTAVIZ インタフェースは Web ブラウザをベースとした可視化ツールで,特定の問題における DL ベースの異常検出の実現可能性の迅速な探索と評価を行う。 DeTAVIZを使えば、ユーザーは複数のポスト処理オプションを簡単かつ迅速に繰り返し、異なるモデルを比較することができ、選択したメトリックに対して手動で最適化できる。
  論文  参考訳（メタデータ） (2021-09-21T10:38:26Z)
• Energy Aware Deep Reinforcement Learning Scheduling for Sensors Correlated in Time and Space [62.39318039798564]
  相関情報を利用するスケジューリング機構を提案する。 提案したメカニズムは、センサが更新を送信する頻度を決定することができる。 我々は,センサの寿命を大幅に延長できることを示した。
  論文  参考訳（メタデータ） (2020-11-19T09:53:27Z)
• Deep ConvLSTM with self-attention for human activity decoding using wearables [0.0]
  本稿では,複数のセンサ時系列データの特徴を捉えつつ,重要な時間点を選択するディープニューラルネットワークアーキテクチャを提案する。 提案手法の有効性を,異なるデータサンプリング戦略にまたがって示すとともに,自己認識機構が大幅に改善したことを示す。 提案手法は、複数の身体センサからの人間の活動のより優れた復号化を、長期間にわたって行うことができる。
  論文  参考訳（メタデータ） (2020-05-02T04:30:31Z)

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。