論文の概要: HD3C: Efficient Medical Data Classification for Embedded Devices

• arxiv url: http://arxiv.org/abs/2509.14617v1
• Date: Thu, 18 Sep 2025 04:46:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-19 17:26:53.066921
• Title: HD3C: Efficient Medical Data Classification for Embedded Devices
• Title（参考訳）: HD3C:組み込みデバイスのための効率的な医療データ分類
• Authors: Jianglan Wei, Zhenyu Zhang, Pengcheng Wang, Mingjie Zeng, Zhigang Zeng,
• Abstract要約: Class-Wise Clustering (HD3C)は、低消費電力環境向けに設計された軽量な分類フレームワークである。 HD3Cはデータを高次元のハイパーベクターにエンコードし、それらを複数のクラスタ固有のプロトタイプに集約し、ハイパースペースにおける類似性探索を通じて分類を行う。 心臓音の分類では,HD3Cはベイジアン・レスネットよりも350タイムs$エネルギー効率が高く,精度は1%以下であった。
• 参考スコア（独自算出の注目度）: 44.602566101469726
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Energy-efficient medical data classification is essential for modern disease screening, particularly in home and field healthcare where embedded devices are prevalent. While deep learning models achieve state-of-the-art accuracy, their substantial energy consumption and reliance on GPUs limit deployment on such platforms. We present Hyperdimensional Computing with Class-Wise Clustering (HD3C), a lightweight classification framework designed for low-power environments. HD3C encodes data into high-dimensional hypervectors, aggregates them into multiple cluster-specific prototypes, and performs classification through similarity search in hyperspace. We evaluate HD3C across three medical classification tasks; on heart sound classification, HD3C is $350\times$ more energy-efficient than Bayesian ResNet with less than 1% accuracy difference. Moreover, HD3C demonstrates exceptional robustness to noise, limited training data, and hardware error, supported by both theoretical analysis and empirical results, highlighting its potential for reliable deployment in real-world settings. Code is available at https://github.com/jianglanwei/HD3C.
• Abstract（参考訳）: エネルギー効率のよい医療データ分類は、現代の疾患スクリーニング、特に組み込みデバイスが普及している家庭やフィールド医療において不可欠である。 ディープラーニングモデルは最先端の精度を達成するが、その相当なエネルギー消費とGPUへの依存は、そのようなプラットフォームへのデプロイメントを制限する。 低消費電力環境向けに設計された軽量な分類フレームワークであるクラスワイズクラスタリング(HD3C)を用いた超次元コンピューティングを提案する。 HD3Cはデータを高次元のハイパーベクターにエンコードし、それらを複数のクラスタ固有のプロトタイプに集約し、ハイパースペースにおける類似性探索を通じて分類を行う。 心臓音の分類では,HD3Cはベイジアン・レスネットよりも350\times$エネルギー効率が高く,精度は1%以下であった。 さらに、HD3Cは、理論的分析と経験的結果の両方によってサポートされているノイズ、限られたトレーニングデータ、ハードウェアエラーに対する例外的な堅牢性を示し、現実の環境での信頼性の高いデプロイメントの可能性を強調している。 コードはhttps://github.com/jianglanwei/HD3Cで入手できる。

関連論文リスト

• DinoAtten3D: Slice-Level Attention Aggregation of DinoV2 for 3D Brain MRI Anomaly Classification [2.731729370870452]
  医用画像の異常検出と分類は早期診断には重要であるが, 注釈付きデータ, クラス不均衡, 専門家によるラベル付けのコストが高いため, 依然として困難である。 本稿では,3次元画像異常分類に特化して,注目に基づくグローバルアグリゲーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-15T23:31:40Z)
• Prototypical Hash Encoding for On-the-Fly Fine-Grained Category Discovery [65.16724941038052]
  カテゴリ対応プロトタイプ生成(CPG)とディスクリミカテゴリ5.3%(DCE)が提案されている。 CPGは、各カテゴリを複数のプロトタイプで表現することで、カテゴリ内の多様性を完全にキャプチャすることを可能にする。 DCEは生成されたカテゴリプロトタイプのガイダンスによってハッシュコードの識別能力を向上する。
  論文  参考訳（メタデータ） (2024-10-24T23:51:40Z)
• An Encoding Framework for Binarized Images using HyperDimensional Computing [0.0]
  本稿では,近傍のパターンの類似性を保ったバイナライズされた画像を符号化する,新しい軽量化手法を提案する。 この方法は、MNISTデータセットのテストセットで97.35%、Fashion-MNISTデータセットで84.12%に達する。
  論文  参考訳（メタデータ） (2023-12-01T09:34:28Z)
• HDTorch: Accelerating Hyperdimensional Computing with GP-GPUs for Design Space Exploration [4.783565770657063]
  我々は、ハイパーベクタ操作の拡張を備えたPyTorchベースのオープンソースのHDCライブラリであるHDTorchを紹介する。 我々は4つのHDCベンチマークデータセットを精度、実行時間、メモリ消費の観点から分析する。 我々はCHB-MIT脳波てんかんデータベース全体のHDトレーニングと推測分析を行った。
  論文  参考訳（メタデータ） (2022-06-09T19:46:08Z)
• An Extension to Basis-Hypervectors for Learning from Circular Data in Hyperdimensional Computing [62.997667081978825]
  超次元計算(Hyperdimensional Computing、HDC)は、高次元ランダム空間の性質に基づく計算フレームワークである。 本稿では, 基本超ベクトル集合について検討し, 一般にHDCへの実践的貢献につながっている。 本稿では,HDCを用いた機械学習において,これまでに扱ったことのない重要な情報である円形データから学習する手法を提案する。
  論文  参考訳（メタデータ） (2022-05-16T18:04:55Z)
• EnHDC: Ensemble Learning for Brain-Inspired Hyperdimensional Computing [2.7462881838152913]
  本稿では,超次元コンピューティングの文脈において,アンサンブル学習を探求する最初の試みについて述べる。 本稿では,EnHDCと呼ばれる最初のアンサンブルHDCモデルを提案する。 本研究では,1つのHDC分類器に対して平均3.2%の精度向上を達成できることを示す。
  論文  参考訳（メタデータ） (2022-03-25T09:54:00Z)
• Automated Model Design and Benchmarking of 3D Deep Learning Models for COVID-19 Detection with Chest CT Scans [72.04652116817238]
  3D胸部CTスキャン分類のための3D DLモデルを自動的に検索するための差別化可能なニューラルネットワーク探索(DNAS)フレームワークを提案する。 また,我々のモデルのクラスアクティベーションマッピング(cam)技術を利用して,結果の解釈可能性を提供する。
  論文  参考訳（メタデータ） (2021-01-14T03:45:01Z)
• Hyperspectral Classification Based on Lightweight 3-D-CNN With Transfer Learning [67.40866334083941]
  限定サンプルに基づくHSI分類のためのエンドツーエンドの3次元軽量畳み込みニューラルネットワーク(CNN)を提案する。 従来の3D-CNNモデルと比較して,提案した3D-LWNetはネットワーク構造が深く,パラメータが小さく,計算コストも低い。 本モデルでは,HSI分類の競合性能を,いくつかの最先端手法と比較した。
  論文  参考訳（メタデータ） (2020-12-07T03:44:35Z)
• Adversarial Attacks on Brain-Inspired Hyperdimensional Computing-Based Classifiers [15.813045384664441]
  超次元コンピューティング(HDC)は、脳の認知を模倣し、ランダムなハイパーベクターを利用して特徴を表現し、分類タスクを実行する。 それらは、デバイス分類における従来のディープニューラルネットワーク(DNN)の魅力ある代替品として、あるいは代替品として認識されている。 しかし、HDC分類器の最先端の設計は、主にセキュリティに配慮したものであり、敵の入力に対する安全性と免疫に疑問を呈している。
  論文  参考訳（メタデータ） (2020-06-10T01:09:30Z)

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。