論文の概要: Dendron: Enhancing Human Activity Recognition with On-Device TinyML Learning

• arxiv url: http://arxiv.org/abs/2503.01353v1
• Date: Mon, 03 Mar 2025 09:45:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 19:22:58.747617
• Title: Dendron: Enhancing Human Activity Recognition with On-Device TinyML Learning
• Title（参考訳）: Dendron: オンデバイスTinyML学習によるヒューマンアクティビティ認識の強化
• Authors: Hazem Hesham Yousef Shalby, Manuel Roveri,
• Abstract要約: ヒューマンアクティビティ認識(HAR)は、機械学習(ML)技術を用いてユーザアクティビティを識別する研究分野である。 近年の研究では、ウェアラブルデバイス上で直接実行されるHARソリューションの開発が優先されており、デバイス上でのアクティビティ認識が可能になっている。 本稿では、限られた教師付きデータであっても、HARのための新しいタスクのデバイス上での学習を容易にするために設計された新しいTinyML手法であるDendronを紹介する。
• 参考スコア（独自算出の注目度）: 2.8928489670253277
• License:
• Abstract: Human activity recognition (HAR) is a research field that employs Machine Learning (ML) techniques to identify user activities. Recent studies have prioritized the development of HAR solutions directly executed on wearable devices, enabling the on-device activity recognition. This approach is supported by the Tiny Machine Learning (TinyML) paradigm, which integrates ML within embedded devices with limited resources. However, existing approaches in the field lack in the capability for on-device learning of new HAR tasks, particularly when supervised data are scarce. To address this limitation, our paper introduces Dendron, a novel TinyML methodology designed to facilitate the on-device learning of new tasks for HAR, even in conditions of limited supervised data. Experimental results on two public-available datasets and an off-the-shelf device (STM32-NUCLEO-F401RE) show the effectiveness and efficiency of the proposed solution.
• Abstract（参考訳）: ヒューマンアクティビティ認識(HAR)は、機械学習(ML)技術を用いてユーザアクティビティを識別する研究分野である。 近年の研究では、ウェアラブルデバイス上で直接実行されるHARソリューションの開発が優先されており、デバイス上でのアクティビティ認識が可能になっている。 このアプローチは、限られたリソースを持つ組み込みデバイスにMLを統合するTiny Machine Learning(TinyML)パラダイムによってサポートされている。 しかし、この分野の既存のアプローチは、特に教師付きデータが不足している場合に、新しいHARタスクをデバイス上で学習する能力に欠ける。 この制限に対処するために,限られた教師付きデータであっても,HARのための新しいタスクのデバイス上での学習を容易にする,新しいTinyML手法であるDendronを紹介した。 2つの公開データセットとオフザシェルフ装置(STM32-NUCLEO-F401RE)の実験結果から,提案手法の有効性と有効性を示した。

関連論文リスト

• Oriented Tiny Object Detection: A Dataset, Benchmark, and Dynamic Unbiased Learning [51.170479006249195]
  本研究では,新しいデータセット,ベンチマーク,動的粗大な学習手法を提案する。 提案するデータセットであるAI-TOD-Rは、すべてのオブジェクト指向オブジェクト検出データセットの中で最小のオブジェクトサイズを特徴としている。 完全教師付きおよびラベル効率の両アプローチを含む,幅広い検出パラダイムにまたがるベンチマークを提案する。
  論文  参考訳（メタデータ） (2024-12-16T09:14:32Z)
• AD-LLM: Benchmarking Large Language Models for Anomaly Detection [50.57641458208208]
  本稿では,大規模な言語モデルが異常検出にどのように役立つかを評価する最初のベンチマークであるAD-LLMを紹介する。 我々は、ゼロショット検出、LLMの事前訓練された知識を用いて、タスク固有のトレーニングなしでADを実行すること、データ拡張、ADモデルを改善するために合成データとカテゴリ記述を生成すること、LLMを使用して教師なしADモデルを提案するモデル選択の3つの主要なタスクについて検討する。
  論文  参考訳（メタデータ） (2024-12-15T10:22:14Z)
• A Continual and Incremental Learning Approach for TinyML On-device Training Using Dataset Distillation and Model Size Adaption [0.4345992906143838]
  Tiny Machine Learning (TinyML) の文脈における漸進学習のための新しいアルゴリズムを提案する。 低性能でエネルギー効率のよい組み込みデバイスに最適化されている。 提案アルゴリズムは,組込みデバイス上でのTinyMLインクリメンタル学習に有望なアプローチを提供することを示す。
  論文  参考訳（メタデータ） (2024-09-11T09:02:33Z)
• Active Learning for Derivative-Based Global Sensitivity Analysis with Gaussian Processes [70.66864668709677]
  高価なブラックボックス関数のグローバル感度解析におけるアクティブラーニングの問題点を考察する。 関数評価は高価であるため,最も価値の高い実験資源の優先順位付けにアクティブラーニングを利用する。 本稿では,デリバティブに基づくグローバル感度測定の重要量を直接対象とする,新たな能動的学習獲得関数を提案する。
  論文  参考訳（メタデータ） (2024-07-13T01:41:12Z)
• Robust Analysis of Multi-Task Learning Efficiency: New Benchmarks on Light-Weighed Backbones and Effective Measurement of Multi-Task Learning Challenges by Feature Disentanglement [69.51496713076253]
  本稿では,既存のMTL手法の効率性に焦点をあてる。 バックボーンを小さくしたメソッドの大規模な実験と,MetaGraspNetデータセットを新しいテストグラウンドとして実施する。 また,MTLにおける課題の新規かつ効率的な識別子として,特徴分散尺度を提案する。
  論文  参考訳（メタデータ） (2024-02-05T22:15:55Z)
• 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)
• Lifelong Adaptive Machine Learning for Sensor-based Human Activity Recognition Using Prototypical Networks [0.0]
  連続学習は、生涯学習としても知られ、機械学習分野への関心が高まりつつある研究トピックである。 我々は,連続機械学習の分野における最近の進歩を基盤に,プロトタイプネットワーク(LPPNet-HAR)を用いた生涯適応型学習フレームワークを設計する。 LAPNet-HARは、タスクフリーなデータインクリメンタルな方法でセンサベースのデータストリームを処理する。
  論文  参考訳（メタデータ） (2022-03-11T00:57:29Z)
• Federated Learning with Heterogeneous Labels and Models for Mobile Activity Monitoring [0.7106986689736827]
  デバイス上でのフェデレーション学習は、分散的で協調的な機械学習に効果的なアプローチであることが証明されている。 本稿では,複数の活動にまたがる重なり合う情報ゲインを利用したラベルに基づくアグリゲーションのためのフレームワークを提案する。 Raspberry Pi 2上のHeterogeneity Human Activity Recognition (HHAR)データセットによる経験的評価は、決定論的精度が少なくとも11.01%向上したことを示している。
  論文  参考訳（メタデータ） (2020-12-04T11:44:17Z)
• Parrot: Data-Driven Behavioral Priors for Reinforcement Learning [79.32403825036792]
  そこで本研究では,実験で得られた複雑なインプット・アウトプット関係を事前に学習する手法を提案する。 RLエージェントが新規な動作を試す能力を阻害することなく、この学習が新しいタスクを迅速に学習するのにどのように役立つかを示す。
  論文  参考訳（メタデータ） (2020-11-19T18:47:40Z)
• Bayesian active learning for production, a systematic study and a reusable library [85.32971950095742]
  本稿では,現在のアクティブラーニング技術の主な欠点について分析する。 実世界のデータセットの最も一般的な課題が深層能動学習プロセスに与える影響について,系統的研究を行った。 部分的不確実性サンプリングやより大きいクエリサイズといった,アクティブな学習ループを高速化する2つの手法を導出する。
  論文  参考訳（メタデータ） (2020-06-17T14:51:11Z)
• A Deep Learning Method for Complex Human Activity Recognition Using Virtual Wearable Sensors [22.923108537119685]
  センサに基づくヒューマンアクティビティ認識(HAR)は、現在、複数のアプリケーション領域で研究ホットスポットとなっている。 本研究では,実シーンにおける複雑なHARの深層学習に基づく新しい手法を提案する。 提案手法は驚くほど数イテレーションで収束し、実際のIMUデータセット上で91.15%の精度が得られる。
  論文  参考訳（メタデータ） (2020-03-04T03:31:23Z)

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。