論文の概要: TCUQ: Single-Pass Uncertainty Quantification from Temporal Consistency with Streaming Conformal Calibration for TinyML

• arxiv url: http://arxiv.org/abs/2508.12905v1
• Date: Mon, 18 Aug 2025 13:12:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-19 14:49:11.351723
• Title: TCUQ: Single-Pass Uncertainty Quantification from Temporal Consistency with Streaming Conformal Calibration for TinyML
• Title（参考訳）: TCUQ: TinyMLのストリームコンフォーマルキャリブレーションによる時間一貫性の単一パス不確実性定量化
• Authors: Ismail Lamaakal, Chaymae Yahyati, Khalid El Makkaoui, Ibrahim Ouahbi, Yassine Maleh,
• Abstract要約: TCUQは、TinyMLをストリーミングするためのシングルパスでラベルなしの不確実性モニタである。 後部の光信号によって捉えた短地平線時間一貫性を変換する。 ストリーミングコンフォメーション層は、このスコアを予算付きアクセプション/アビスタンスルールに変換する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce TCUQ, a single pass, label free uncertainty monitor for streaming TinyML that converts short horizon temporal consistency captured via lightweight signals on posteriors and features into a calibrated risk score with an O(W ) ring buffer and O(1) per step updates. A streaming conformal layer turns this score into a budgeted accept/abstain rule, yielding calibrated behavior without online labels or extra forward passes. On microcontrollers, TCUQ fits comfortably on kilobyte scale devices and reduces footprint and latency versus early exit and deep ensembles (typically about 50 to 60% smaller and about 30 to 45% faster), while methods of similar accuracy often run out of memory. Under corrupted in distribution streams, TCUQ improves accuracy drop detection by 3 to 7 AUPRC points and reaches up to 0.86 AUPRC at high severities; for failure detection it attains up to 0.92 AUROC. These results show that temporal consistency, coupled with streaming conformal calibration, provides a practical and resource efficient foundation for on device monitoring in TinyML.
• Abstract（参考訳）: 我々は,TinyMLストリーミング用のシングルパスラベル不確実性モニタであるTCUQを紹介した。これは,後方の軽量信号によってキャプチャされた短い水平時間一貫性を,ステップ更新毎にO(W)リングバッファとO(1)を付加した校正リスクスコアに変換する。 ストリーミングコンフォメーション層は、このスコアを予算付きアクセプション/アビスタンスルールに変換し、オンラインラベルや余分なフォワードパスなしでキャリブレーションされた振る舞いをもたらす。 マイクロコントローラでは、TCUQはキロバイト規模のデバイスに快適にフィットし、早期出口や深層アンサンブル(典型的には50～60%小さく、30～45%高速)に比べてフットプリントとレイテンシを低減します。 分散ストリームの劣化により、TCUQは3から7AUPRCポイントの精度低下検出を改善し、高い重度で最大0.86AUPRCに達する。 これらの結果から,TinyMLにおけるデバイス監視における時間的一貫性とストリーミングコンフォーマルキャリブレーションの併用が,実用的で資源効率のよい基盤となることが示唆された。

関連論文リスト

• SNAP-UQ: Self-supervised Next-Activation Prediction for Single-Pass Uncertainty in TinyML [0.0]
  我々は、TinyMLのシングルパスラベルなし不確実性手法である textbfSNAP-UQ を導入する。 int8ヘッドは、前者の圧縮されたビューから次の層の統計を予測します。 この設計では、一時バッファ、補助出口、または繰り返しフォワードパスを必要とせず、MCUデプロイメントに数キロバイトの追加しか必要としない。
  論文  参考訳（メタデータ） (2025-08-18T13:14:20Z)
• Consistency Trajectory Models: Learning Probability Flow ODE Trajectory of Diffusion [56.38386580040991]
  Consistency Trajectory Model (CTM) は Consistency Models (CM) の一般化である CTMは、対戦訓練とスコアマッチング損失を効果的に組み合わせることで、パフォーマンスを向上させる。 CMとは異なり、CTMのスコア関数へのアクセスは、確立された制御可能/条件生成メソッドの採用を合理化することができる。
  論文  参考訳（メタデータ） (2023-10-01T05:07:17Z)
• Global Context Aggregation Network for Lightweight Saliency Detection of Surface Defects [70.48554424894728]
  我々は,エンコーダ・デコーダ構造上の表面欠陥を簡易に検出するためのGCANet(Global Context Aggregation Network)を開発した。 まず、軽量バックボーンの上部層に新しいトランスフォーマーエンコーダを導入し、DSA(Depth-wise Self-Attention)モジュールを通じてグローバルなコンテキスト情報をキャプチャする。 3つの公開欠陥データセットの実験結果から,提案したネットワークは,他の17の最先端手法と比較して,精度と実行効率のトレードオフを良好に達成できることが示された。
  論文  参考訳（メタデータ） (2023-09-22T06:19:11Z)
• Parity Measurements using Dispersive Shifts for Surface Codes [0.0]
  分散シフトに基づくStabler Readoutに有用な単発撮影法 99.8%の忠実度と600nsのゲート時間を求め,高次Z相互作用がシステムに与える影響について検討した。
  論文  参考訳（メタデータ） (2023-09-13T12:06:46Z)
• Leakage in restless quantum gate calibration [0.5439020425819]
  マルコフ連鎖に基づくレスレス回路実行シミュレータを開発し, リークの影響について検討する。 レスレスキャリブレーションは, 現在の単一ビットゲートの10～4ドルのゲート忠実度に比べ, 最大0.5%の漏れを許容することを示す。 この結果から、レスレス回路の実行が非計算状態の誤分類に対してレジリエンスであることを示す標準量子ビット状態判別法が得られた。
  論文  参考訳（メタデータ） (2023-04-18T20:59:16Z)
• FastFlowNet: A Lightweight Network for Fast Optical Flow Estimation [81.76975488010213]
  ディセンス光学フロー推定は、多くのロボットビジョンタスクで重要な役割を果たしています。 現在のネットワークはしばしば多くのパラメータを占有し、計算コストがかかる。 提案したFastFlowNetは、周知の粗大なやり方で、以下のイノベーションで機能する。
  論文  参考訳（メタデータ） (2021-03-08T03:09:37Z)
• FastEmit: Low-latency Streaming ASR with Sequence-level Emission Regularization [78.46088089185156]
  ストリーム自動音声認識(ASR)は、仮説化された単語を可能な限り迅速かつ正確に出力することを目的としている。 既存のアプローチでは、シーケンストランスデューサモデルにおいて、トーケン単位またはフレーム単位の確率予測を演算することで、発光遅延をペナルティ化する。 本稿では,訓練用トランスデューサモデルにおいて,シーケンス毎の確率に遅延正規化を直接適用する,FastEmitというシーケンスレベルのエミッション正規化手法を提案する。
  論文  参考訳（メタデータ） (2020-10-21T17:05:01Z)
• Pruning Neural Belief Propagation Decoders [77.237958592189]
  本稿では,機械学習を用いたBPデコードに対して,過剰完全パリティチェック行列を調整する手法を提案する。 我々は,デコーダの複雑さを低減しつつ,0.27dB,1.5dBのML性能を実現する。
  論文  参考訳（メタデータ） (2020-01-21T12:05:46Z)

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。