論文の概要: TActiLE: Tiny Active LEarning for wearable devices

• arxiv url: http://arxiv.org/abs/2505.01160v1
• Date: Fri, 02 May 2025 10:05:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-05 17:21:19.988901
• Title: TActiLE: Tiny Active LEarning for wearable devices
• Title（参考訳）: TActiLE:ウェアラブルデバイスのための小さなアクティブリーニング
• Authors: Massimo Pavan, Claudio Galimberti, Manuel Roveri,
• Abstract要約: Tiny Machine Learning (TinyML)アルゴリズムは近年広く使われており、ウェアラブルデバイスが真にインテリジェントであることを可能にしている。 TinyMLは、組み込みデバイスとウェアラブルデバイスで機械学習アルゴリズムの推論フェーズの実行を容易にする。 オンデバイス学習(ODL)アルゴリズムの大きな課題の1つは、オンデバイスで収集されたラベル付きデータの不足である。 本稿では,デバイス上のセンサデータのストリームから,MLアルゴリズムがユーザが提供するラベルと結合した最大1回の改善に役立つものを選択する,新しいALアルゴリズムであるTActiLEを提案する。
• 参考スコア（独自算出の注目度）: 2.5739385355356714
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Tiny Machine Learning (TinyML) algorithms have seen extensive use in recent years, enabling wearable devices to be not only connected but also genuinely intelligent by running machine learning (ML) computations directly on-device. Among such devices, smart glasses have particularly benefited from TinyML advancements. TinyML facilitates the on-device execution of the inference phase of ML algorithms on embedded and wearable devices, and more recently, it has expanded into On-device Learning (ODL), which allows both inference and learning phases to occur directly on the device. The application of ODL techniques to wearable devices is particularly compelling, as it enables the development of more personalized models that adapt based on the data of the user. However, one of the major challenges of ODL algorithms is the scarcity of labeled data collected on-device. In smart wearable contexts, requiring users to manually label large amounts of data is often impractical and could lead to user disengagement with the technology. To address this issue, this paper explores the application of Active Learning (AL) techniques, i.e., techniques that aim at minimizing the labeling effort, by actively selecting from a large quantity of unlabeled data only a small subset to be labeled and added to the training set of the algorithm. In particular, we propose TActiLE, a novel AL algorithm that selects from the stream of on-device sensor data the ones that would help the ML algorithm improve the most once coupled with labels provided by the user. TActiLE is the first Active Learning technique specifically designed for the TinyML context. We evaluate its effectiveness and efficiency through experiments on multiple image classification datasets. The results demonstrate its suitability for tiny and wearable devices.
• Abstract（参考訳）: Tiny Machine Learning (TinyML)アルゴリズムは近年広く利用されており、デバイス上で機械学習(ML)計算を直接実行することによって、ウェアラブルデバイスを接続するだけでなく、真のインテリジェント性も実現している。 このようなデバイスの中で、スマートグラスは特にTinyMLの進歩の恩恵を受けている。 TinyMLは、組み込みおよびウェアラブルデバイス上でのMLアルゴリズムの推論フェーズのオンデバイス実行を容易にし、最近では、推論フェーズと学習フェーズの両方をデバイス上で直接実行するOn-device Learning(ODL)へと拡張した。 ウェアラブルデバイスへのODL技術の適用は、ユーザのデータに基づいて適応するよりパーソナライズされたモデルの開発を可能にするため、特に魅力的である。 しかし、ODLアルゴリズムの大きな課題の1つは、デバイス上で収集されたラベル付きデータの不足である。 スマートウェアラブルのコンテキストでは、ユーザーは大量のデータを手動でラベル付けする必要があるが、多くの場合は実用的ではない。 この問題に対処するために,アルゴリズムのトレーニングセットにラベル付けされる小さなサブセットのみを多量のラベル付けされたデータから積極的に選択することにより,ラベル付け作業の最小化を目的としたアクティブラーニング(AL)手法の適用について検討する。 特に,デバイス上のセンサデータのストリームから,MLアルゴリズムがユーザが提供するラベルと結合した最大1回の改善に役立つものを選択する,新しいALアルゴリズムであるTActiLEを提案する。 TActiLEは、TinyMLコンテキスト用に特別に設計された最初のアクティブラーニングテクニックである。 複数の画像分類データセットを用いた実験により,その有効性と有効性を評価する。 結果は、小型でウェアラブルなデバイスに適していることを実証している。

関連論文リスト

• Dendron: Enhancing Human Activity Recognition with On-Device TinyML Learning [2.8928489670253277]
  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。
  論文  参考訳（メタデータ） (2025-03-03T09:45:52Z)
• 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)
• Learning with Less: Knowledge Distillation from Large Language Models via Unlabeled Data [54.934578742209716]
  現実世界のNLPアプリケーションでは、Large Language Models (LLMs) は巨大なデータセットの広範なトレーニングのために、有望なソリューションを提供する。 LLKDは、教師と学生の両方の信号を組み込んだ適応的なサンプル選択法である。 総合的な実験により,LLKDは高いデータ効率で,様々なデータセットで優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2024-11-12T18:57:59Z)
• 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)
• Semantic Meta-Split Learning: A TinyML Scheme for Few-Shot Wireless Image Classification [50.28867343337997]
  本研究は,TinyMLを用いた無線画像分類のためのセマンティック・コミュニケーション・フレームワークを提案する。 我々は、プライバシ保護を確保しつつ、エンドユーザーによって実行される計算を制限するために分割学習を利用する。 メタ学習は、データ可用性の懸念を克服し、同様のトレーニングされたタスクを利用することで、トレーニングを高速化する。
  論文  参考訳（メタデータ） (2024-09-03T05:56:55Z)
• TinySV: Speaker Verification in TinyML with On-device Learning [2.356162747014486]
  本稿では,提案した TextitTiny Speaker Verification (TinySV) などのタスクで使用可能な,新しいタイプの適応型TinyMLソリューションを提案する。 提案したTinySVソリューションは、キーワードスポッティングと適応話者検証モジュールで構成される2層階層のTinyMLソリューションに依存している。 我々は,提案したTinySVソリューションの有効性と有効性を評価し,提案したソリューションを実世界のIoTデバイス上でテストした。
  論文  参考訳（メタデータ） (2024-06-03T17:27:40Z)
• On-device Online Learning and Semantic Management of TinyML Systems [8.183732025472766]
  本研究の目的は,単一TinyMLモデルのプロトタイピングと信頼性の高いTinyMLシステムの開発のギャップを埋めることである。 我々は,制約のあるデバイス上でのトレーニングを可能にするオンライン学習を提案し,最新のフィールド条件に局所モデルを適用する。 モデルとデバイスを大規模に管理するためのセマンティックマネジメントを提案する。
  論文  参考訳（メタデータ） (2024-05-13T10:03:34Z)
• TinyML: Tools, Applications, Challenges, and Future Research Directions [2.9398911304923456]
  TinyMLは、安価でリソースに制約のあるデバイス上でのMLアプリケーションを可能にする、組み込み機械学習技術である。 この記事では、TinyML実装で利用可能なさまざまな方法についてレビューする。
  論文  参考訳（メタデータ） (2023-03-23T15:29:48Z)
• Incremental Online Learning Algorithms Comparison for Gesture and Visual Smart Sensors [68.8204255655161]
  本稿では,加速度センサデータに基づくジェスチャー認識と画像分類の2つの実例として,最先端の4つのアルゴリズムを比較した。 以上の結果から,これらのシステムの信頼性と小型メモリMCUへのデプロイの可能性が確認された。
  論文  参考訳（メタデータ） (2022-09-01T17:05:20Z)

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。