論文の概要: Towards Hardware Supported Domain Generalization in DNN-Based Edge Computing Devices for Health Monitoring

• arxiv url: http://arxiv.org/abs/2503.09661v1
• Date: Wed, 12 Mar 2025 15:02:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-14 15:52:04.676682
• Title: Towards Hardware Supported Domain Generalization in DNN-Based Edge Computing Devices for Health Monitoring
• Title（参考訳）: 健康モニタリングのためのDNNベースのエッジコンピューティングデバイスにおけるハードウェアサポートドメインの一般化に向けて
• Authors: Johnson Loh, Lyubov Dudchenko, Justus Viga, Tobias Gemmeke,
• Abstract要約: ディープニューラルネットワーク(DNN)モデルは、オブジェクト検出や分類など、多くの現実シナリオで顕著な成功を収めている。 これらのモデルは、モデル堅牢性とデプロイメントに対する極めて高い要求のため、健康モニタリングにおいてまだ広く採用されていない。 本稿では、ECG加速器とDG法の概要を概説し、両領域の組み合わせがもたらす影響について論じる。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Deep neural network (DNN) models have shown remarkable success in many real-world scenarios, such as object detection and classification. Unfortunately, these models are not yet widely adopted in health monitoring due to exceptionally high requirements for model robustness and deployment in highly resource-constrained devices. In particular, the acquisition of biosignals, such as electrocardiogram (ECG), is subject to large variations between training and deployment, necessitating domain generalization (DG) for robust classification quality across sensors and patients. The continuous monitoring of ECG also requires the execution of DNN models in convenient wearable devices, which is achieved by specialized ECG accelerators with small form factor and ultra-low power consumption. However, combining DG capabilities with ECG accelerators remains a challenge. This article provides a comprehensive overview of ECG accelerators and DG methods and discusses the implication of the combination of both domains, such that multi-domain ECG monitoring is enabled with emerging algorithm-hardware co-optimized systems. Within this context, an approach based on correction layers is proposed to deploy DG capabilities on the edge. Here, the DNN fine-tuning for unknown domains is limited to a single layer, while the remaining DNN model remains unmodified. Thus, computational complexity (CC) for DG is reduced with minimal memory overhead compared to conventional fine-tuning of the whole DNN model. The DNN model-dependent CC is reduced by more than 2.5x compared to DNN fine-tuning at an average increase of F1 score by more than 20% on the generalized target domain. In summary, this article provides a novel perspective on robust DNN classification on the edge for health monitoring applications.
• Abstract（参考訳）: ディープニューラルネットワーク(DNN)モデルは、オブジェクト検出や分類など、多くの現実シナリオで顕著な成功を収めている。 残念なことに、これらのモデルは、非常にリソースが制限されたデバイスでのモデルロバスト性とデプロイメントに対する極めて高い要求のために、健康モニタリングにおいてまだ広く採用されていない。 特に、心電図(ECG)のような生体信号の取得は、トレーニングとデプロイメントの間に大きなバリエーションがあり、センサーや患者間での堅牢な分類品質のためにドメイン一般化(DG)が必要である。 ECGの継続的な監視は、小型のフォームファクターと超低消費電力のECGアクセラレーターによって達成される便利なウェアラブルデバイスでDNNモデルの実行も必要である。 しかし、DG機能とECGアクセラレータを組み合わせることは依然として課題である。 本稿では、ECGアクセラレーターとDG手法の概要を概説し、マルチドメインECGモニタリングが新しいアルゴリズム-ハードウェア協調最適化システムによって可能となるように、両方のドメインの組み合わせがもたらす影響について論じる。 このコンテキスト内では、エッジにDG機能をデプロイするために、補正層に基づくアプローチが提案されている。 ここでは、未知のドメインに対するDNNの微調整は単一の層に制限されるが、残りのDNNモデルは未修正のままである。 したがって、DNNモデル全体の微調整に比べて、メモリオーバーヘッドを最小限に抑えてDGの計算複雑性(CC)を低減できる。 DNNモデル依存型CCは、一般化対象ドメイン上でのF1スコアの平均的な増加におけるDNNファインタニングに比べて2.5倍以上減少する。 要約して、本論文は、健康モニタリングアプリケーションのためのエッジ上での堅牢なDNN分類について、新しい視点を提供する。

関連論文リスト

• Disentangling Masked Autoencoders for Unsupervised Domain Generalization [57.56744870106124]
  教師なしの領域一般化は急速に注目されているが、まだ十分に研究されていない。 Disentangled Masked Auto (DisMAE) は、本質的な特徴を忠実に示す不整合表現を発見することを目的としている。 DisMAEは、セマンティックで軽量な変分エンコーダを備えた非対称なデュアルブランチアーキテクチャを共同で訓練する。
  論文  参考訳（メタデータ） (2024-07-10T11:11:36Z)
• HGAttack: Transferable Heterogeneous Graph Adversarial Attack [63.35560741500611]
  ヘテロジニアスグラフニューラルネットワーク(HGNN)は、Webやeコマースなどの分野でのパフォーマンスでますます認識されている。 本稿ではヘテロジニアスグラフに対する最初の専用グレーボックス回避手法であるHGAttackを紹介する。
  論文  参考訳（メタデータ） (2024-01-18T12:47:13Z)
• MuseGNN: Forming Scalable, Convergent GNN Layers that Minimize a Sampling-Based Energy [27.328628715885287]
  グラフニューラルネットワーク(GNN)アーキテクチャは、クロスインスタンス関係でデータをモデル化することができる。 このアーキテクチャの重要なサブクラスは、フォワードパスが関心のグラフ正規化エネルギー関数を反復的に還元するように設計された層を含む。 本稿では, ある設定における収束保証によって導かれる, サンプリングベースエネルギー関数と拡張性のあるGNN層を反復的に削減する手法を提案する。 また、これらの設計に基づいて完全なGNNアーキテクチャをインスタンス化し、1TBを超える最大公用ノード分類ベンチマークに適用した場合の競合精度とスケーラビリティを実現する。
  論文  参考訳（メタデータ） (2023-10-19T04:30:14Z)
• Towards Domain Generalization for ECG and EEG Classification: Algorithms and Benchmarks [3.1372269816123994]
  生体信号の領域一般化問題は心電図(ECG)と脳電図(EEG)に焦点をあてる 本稿では,DGアルゴリズム評価のためのベンチマークを提案し,生体信号分類におけるDG処理のための新しいアーキテクチャを提案する。 我々の知る限り、これはECGとEEG DGアルゴリズムを評価するためのオープンソースのフレームワークを開発するための最初の試みである。
  論文  参考訳（メタデータ） (2023-03-20T09:19:05Z)
• DG-STGCN: Dynamic Spatial-Temporal Modeling for Skeleton-based Action Recognition [77.87404524458809]
  骨格に基づく行動認識のための新しいフレームワーク,すなわち動的グループ時空間GCN(DG-STGCN)を提案する。 DG-GCNとDG-TCNの2つのモジュールで構成される。 DG-STGCNは最先端の手法よりも一貫して優れており、しばしば顕著な差がある。
  論文  参考訳（メタデータ） (2022-10-12T03:17:37Z)
• InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal Artifact Reduction in CT Images [53.4351366246531]
  InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。 異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
  論文  参考訳（メタデータ） (2021-12-23T15:52:37Z)
• A Regularization Method to Improve Adversarial Robustness of Neural Networks for ECG Signal Classification [1.8579693774597703]
  心電図(Electrocardiogram、ECG)は、ヒトの心臓の状態をモニターする最も広く用いられる診断ツールである。 ECG信号のディープニューラルネットワーク(DNN)解釈は、患者の心臓の潜在的な異常を1秒で識別するために完全に自動化することができる。 DNNは、DNNの入力に微妙な変化をもたらす敵の雑音に対して非常に脆弱であり、間違ったクラスラベル予測をもたらす可能性がある。 本稿では,ECG信号分類の適用のために,ノイズ-信号比(NSR)の観点から頑健性を改善するための正規化手法を提案する。
  論文  参考訳（メタデータ） (2021-10-19T06:22:02Z)
• Improve robustness of DNN for ECG signal classification:a noise-to-signal ratio perspective [2.2977141788872366]
  深部ニューラルネットワーク(DNN)は、ECG信号の自動解釈のために開発された。 DNNは敵の攻撃に対して非常に脆弱である。 本研究では,雑音-信号比(NSR)の観点からDNNのロバスト性を改善することを提案する。
  論文  参考訳（メタデータ） (2020-05-18T23:37:33Z)
• ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed Quality Labeling Using Neural Networks [69.25956542388653]
  ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。 セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。 このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
  論文  参考訳（メタデータ） (2020-05-11T16:29:12Z)
• Binarized Graph Neural Network [65.20589262811677]
  我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。 提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。 実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
  論文  参考訳（メタデータ） (2020-04-19T09:43:14Z)
• Multi-Lead ECG Classification via an Information-Based Attention Convolutional Neural Network [1.1720399305661802]
  1次元畳み込みニューラルネットワーク(CNN)は、広範に分類されるタスクに有効であることが証明されている。 残差接続を実装し,入力特徴マップ内の異なるチャネルに含まれる情報から重みを学習できる構造を設計する。 分類タスクにおいて、特定のモデルセグメントのパフォーマンスを監視するために平均平方偏差という指標を導入する。
  論文  参考訳（メタデータ） (2020-03-25T02:28:04Z)

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。