論文の概要: Offload Rethinking by Cloud Assistance for Efficient Environmental Sound Recognition on LPWANs

• arxiv url: http://arxiv.org/abs/2502.15285v1
• Date: Fri, 21 Feb 2025 08:23:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-24 16:09:22.832430
• Title: Offload Rethinking by Cloud Assistance for Efficient Environmental Sound Recognition on LPWANs
• Title（参考訳）: LPWANにおける効率的な環境音認識のためのクラウド支援による負荷再考
• Authors: Le Zhang, Quanling Zhao, Run Wang, Shirley Bian, Onat Gungor, Flavio Ponzina, Tajana Rosing,
• Abstract要約: 生物研究や都市規模センシングシステムにおける超低消費電力環境モニタリングの重要手法として,学習型環境音声認識が登場している。 オンデバイス音声認識における最近の取り組みは,資源制約による精度の低下に悩まされているが,クラウドオフロード戦略は通信コストの増大によって妨げられている。 低消費電力広帯域ネットワーク(LPWAN)上で動作している電池レスデバイス上での,資源効率の高いクラウド支援環境音声認識システムORCAを紹介する。 以上の結果から,ORCAは省エネ・省エネ・省エネ・省エネ・省エネ・省エネ・省エネ・省エネ・省エネ・省エネ・省エネ・省エネ・省エネ・省エネ・省エネ・省エネ・省エネ・省エネ・省エネ・省エネ・省エネ・省エネ・省エネ・省エネ・省エネ・省エネ・省エネ・省エネ・省エネ・省エ
• 参考スコア（独自算出の注目度）: 11.916756151456351
• License:
• Abstract: Learning-based environmental sound recognition has emerged as a crucial method for ultra-low-power environmental monitoring in biological research and city-scale sensing systems. These systems usually operate under limited resources and are often powered by harvested energy in remote areas. Recent efforts in on-device sound recognition suffer from low accuracy due to resource constraints, whereas cloud offloading strategies are hindered by high communication costs. In this work, we introduce ORCA, a novel resource-efficient cloud-assisted environmental sound recognition system on batteryless devices operating over the Low-Power Wide-Area Networks (LPWANs), targeting wide-area audio sensing applications. We propose a cloud assistance strategy that remedies the low accuracy of on-device inference while minimizing the communication costs for cloud offloading. By leveraging a self-attention-based cloud sub-spectral feature selection method to facilitate efficient on-device inference, ORCA resolves three key challenges for resource-constrained cloud offloading over LPWANs: 1) high communication costs and low data rates, 2) dynamic wireless channel conditions, and 3) unreliable offloading. We implement ORCA on an energy-harvesting batteryless microcontroller and evaluate it in a real world urban sound testbed. Our results show that ORCA outperforms state-of-the-art methods by up to $80 \times$ in energy savings and $220 \times$ in latency reduction while maintaining comparable accuracy.
• Abstract（参考訳）: 生物研究や都市規模センシングシステムにおける超低消費電力環境モニタリングの重要手法として,学習型環境音声認識が登場している。 これらのシステムは、通常限られた資源の下で運用され、しばしば遠隔地で収穫されたエネルギーによって駆動される。 オンデバイス音声認識における最近の取り組みは,資源制約による精度の低下に悩まされているが,クラウドオフロード戦略は通信コストの増大によって妨げられている。 本研究では,低消費電力広帯域ネットワーク(LPWAN)上で動作している電池レスデバイスを対象とした,資源効率の高いクラウド支援環境音声認識システムORCAを紹介する。 本稿では,クラウドオフロードの通信コストを最小限に抑えつつ,デバイス上での推論の精度を低くするクラウド支援戦略を提案する。 自己アテンションベースのクラウドサブスペクトル特徴選択法を活用して、デバイス上での効率的な推論を容易にすることにより、ORCAは、LPWAN上でのリソース制約付きクラウドオフロードにおける3つの重要な課題を解決する。 1)通信コストが高く、データレートが低い。 2)ダイナミック無線チャンネル条件,及び 3)信頼性の低いオフロード。 省エネ型バッテリレスマイクロコントローラにORCAを実装し,実環境の都市音テストベッドで評価する。 以上の結果から,ORCAは省エネを最大80ドル,省エネを220ドル,同等の精度を維持しながら遅延低減を最大220ドル,最先端の手法よりも優れていた。

関連論文リスト

• TinyM$^2$Net-V3: Memory-Aware Compressed Multimodal Deep Neural Networks for Sustainable Edge Deployment [0.5893124686141782]
  この研究はTinyM$2$Net-V3を導入し、相補的なデータの異なるモジュラリティを処理し、ディープニューラルネットワーク(DNN)モデルを設計し、モデル圧縮技術を採用している。 私たちの小さな機械学習モデルは、リソース制限されたハードウェア上にデプロイされ、ミリ秒以内の低レイテンシと非常に高い電力効率を示しました。
  論文  参考訳（メタデータ） (2024-05-20T20:03:51Z)
• sVAD: A Robust, Low-Power, and Light-Weight Voice Activity Detection with Spiking Neural Networks [51.516451451719654]
  スパイキングニューラルネットワーク(SNN)は生物学的に妥当で、電力効率が高いことが知られている。 本稿では sVAD と呼ばれる新しい SNN ベースの音声活動検出モデルを提案する。 SincNetと1D畳み込みによる効果的な聴覚特徴表現を提供し、アテンション機構による雑音の堅牢性を向上させる。
  論文  参考訳（メタデータ） (2024-03-09T02:55:44Z)
• Environment-independent mmWave Fall Detection with Interacting Multiple Model [1.9358739203360094]
  mmWave radarは、プライバシー保護と非接触性のための有望な候補技術である。 FADEは現実のシナリオにおいて精度と堅牢性を高めた実用的な落下検知レーダーシステムである。
  論文  参考訳（メタデータ） (2023-11-15T07:49:46Z)
• Adaptive Resource Allocation for Virtualized Base Stations in O-RAN with Online Learning [55.08287089554127]
  基地局(vBS)を備えたオープンラジオアクセスネットワークシステムは、柔軟性の向上、コスト削減、ベンダーの多様性、相互運用性のメリットを提供する。 本研究では,予期せぬ「混み合う」環境下であっても,効率的なスループットとvBSエネルギー消費のバランスをとるオンライン学習アルゴリズムを提案する。 提案手法は, 課題のある環境においても, 平均最適性ギャップをゼロにすることで, サブ線形後悔を実現する。
  論文  参考訳（メタデータ） (2023-09-04T17:30:21Z)
• A Safe Deep Reinforcement Learning Approach for Energy Efficient Federated Learning in Wireless Communication Networks [37.71759652012053]
  Federated Learning(FL)は、分散AI技術を保存する重要なプライバシとして登場した。 現在FLで行われている努力にもかかわらず、その環境への影響は依然として未解決の問題である。 本稿では,必要な総エネルギーを最小化するために,関連機器の計算・通信資源のオーケストレーションを提案する。
  論文  参考訳（メタデータ） (2023-08-21T12:02:54Z)
• Multi-Objective Optimization for UAV Swarm-Assisted IoT with Virtual Antenna Arrays [55.736718475856726]
  無人航空機(UAV)ネットワークはIoT(Internet-of-Things)を支援するための有望な技術である 既存のUAV支援データ収集および普及スキームでは、UAVはIoTとアクセスポイントの間を頻繁に飛行する必要がある。 協調ビームフォーミングをIoTとUAVに同時に導入し、エネルギーと時間効率のデータ収集と普及を実現した。
  論文  参考訳（メタデータ） (2023-08-03T02:49:50Z)
• A Safe Genetic Algorithm Approach for Energy Efficient Federated Learning in Wireless Communication Networks [53.561797148529664]
  フェデレートラーニング(FL)は、従来の集中型アプローチとは対照的に、デバイスが協調的にモデルトレーニングを行う分散技術として登場した。 FLの既存の取り組みにもかかわらず、その環境影響は、無線ネットワークへの適用性に関するいくつかの重要な課題が特定されているため、まだ調査中である。 現在の研究は遺伝的アルゴリズム(GA)アプローチを提案しており、FLプロセス全体のエネルギー消費と不要な資源利用の両方を最小化することを目標としている。
  論文  参考訳（メタデータ） (2023-06-25T13:10:38Z)
• Deep Reinforcement Learning Based Multidimensional Resource Management for Energy Harvesting Cognitive NOMA Communications [64.1076645382049]
  エネルギー収穫(EH)、認知無線(CR)、非直交多重アクセス(NOMA)の組み合わせはエネルギー効率を向上させるための有望な解決策である。 本稿では,決定論的CR-NOMA IoTシステムにおけるスペクトル,エネルギー,時間資源管理について検討する。
  論文  参考訳（メタデータ） (2021-09-17T08:55:48Z)
• Data-driven battery operation for energy arbitrage using rainbow deep reinforcement learning [1.8175650854482457]
  モデルフリーの深部強化学習アルゴリズムであるRainbow Deep Q-Networksは、小さなマイクログリッドのバッテリーを制御するために使用される。 このグリッドは、キール大学で収集されたデータセットに基づいて、独自の需要と再生可能世代で運用されている。
  論文  参考訳（メタデータ） (2021-06-10T21:27:35Z)
• Towards AIOps in Edge Computing Environments [60.27785717687999]
  本稿では,異種分散環境に適用可能なaiopsプラットフォームのシステム設計について述べる。 高頻度でメトリクスを収集し、エッジデバイス上で特定の異常検出アルゴリズムを直接実行することが可能である。
  論文  参考訳（メタデータ） (2021-02-12T09:33:00Z)

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。