論文の概要: Domain-Aware Hyperdimensional Computing for Edge Smart Manufacturing

• arxiv url: http://arxiv.org/abs/2509.26131v1
• Date: Tue, 30 Sep 2025 11:52:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-01 14:45:00.121609
• Title: Domain-Aware Hyperdimensional Computing for Edge Smart Manufacturing
• Title（参考訳）: エッジスマートマニュファクチャリングのためのドメイン対応超次元計算
• Authors: Fardin Jalil Piran, Anandkumar Patel, Rajiv Malhotra, Farhad Imani,
• Abstract要約: スマートマニュファクチャリングには、厳格なレイテンシとエネルギー予算を満たすデバイス上のインテリジェンスが必要です。 Hyperdimensional Computing (HDC)は、高次元のハイパーベクターとしてデータをエンコードし、単純な操作で計算する軽量な代替手段を提供する。 エンコーダのタイプ,投影分散,超ベクトル次元,データ構造が精度,推論レイテンシ,トレーニング時間,トレーニングエネルギーをどう形成するかをマップする。 最先端のディープラーニングモデルとトランスフォーマーモデルの精度を一致または超過し、少なくとも6倍高速な推論と40倍以上のトレーニングエネルギーを提供するモデルを得る。
• 参考スコア（独自算出の注目度）: 1.3048920509133808
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Smart manufacturing requires on-device intelligence that meets strict latency and energy budgets. HyperDimensional Computing (HDC) offers a lightweight alternative by encoding data as high-dimensional hypervectors and computing with simple operations. Prior studies often assume that the qualitative relation between HDC hyperparameters and performance is stable across applications. Our analysis of two representative tasks, signal-based quality monitoring in Computer Numerical Control (CNC) machining and image-based defect detection in Laser Powder Bed Fusion (LPBF), shows that this assumption does not hold. We map how encoder type, projection variance, hypervector dimensionality, and data regime shape accuracy, inference latency, training time, and training energy. A formal complexity model explains predictable trends in encoding and similarity computation and reveals nonmonotonic interactions with retraining that preclude a closed-form optimum. Empirically, signals favor nonlinear Random Fourier Features with more exclusive encodings and saturate in accuracy beyond moderate dimensionality. Images favor linear Random Projection, achieve high accuracy with small dimensionality, and depend more on sample count than on dimensionality. Guided by these insights, we tune HDC under multiobjective constraints that reflect edge deployment and obtain models that match or exceed the accuracy of state-of-the-art deep learning and Transformer models while delivering at least 6x faster inference and more than 40x lower training energy. These results demonstrate that domain-aware HDC encoding is necessary and that tuned HDC offers a practical, scalable path to real-time industrial AI on constrained hardware. Future work will enable adaptive encoder and hyperparameter selection, expand evaluation to additional manufacturing modalities, and validate on low-power accelerators.
• Abstract（参考訳）: スマートマニュファクチャリングには、厳格なレイテンシとエネルギー予算を満たすデバイス上のインテリジェンスが必要です。 Hyperdimensional Computing (HDC)は、高次元のハイパーベクターとしてデータをエンコードし、単純な操作で計算する軽量な代替手段を提供する。 これまでの研究では、HDCハイパーパラメータと性能の質的関係はアプリケーション間で安定であると考えられてきた。 計算機数値制御(CNC)における信号ベース品質モニタリングと,レーザー粉体融合(LPBF)における画像ベース欠陥検出の2つの代表的な課題について分析した結果,この仮定は成り立たないことがわかった。 エンコーダのタイプ,投影分散,超ベクトル次元,データ構造が精度,推論レイテンシ,トレーニング時間,トレーニングエネルギーをどう形成するかをマップする。 形式的複雑性モデルは、符号化と類似性計算の予測可能な傾向を説明し、閉形式最適化を妨げる再学習と非単調な相互作用を明らかにする。 経験的に、信号はより排他的なエンコーディングを持つ非線形ランダムフーリエ特徴を好んでおり、適度な次元を超えた精度で飽和する。 画像は線形ランダム射影を好み、小さな次元で高精度に達成し、次元よりも標本数に依存する。 これらの知見に導かれて、エッジデプロイメントを反映した多目的制約の下でHDCをチューニングし、最先端のディープラーニングモデルとトランスフォーマーモデルの精度に適合または超過したモデルを得ると同時に、少なくとも6倍高速な推論と40倍以上のトレーニングエネルギーを提供する。 これらの結果は、ドメイン対応HDC符号化が必要であり、調整されたHDCは、制約のあるハードウェア上でのリアルタイム産業用AIへの実践的でスケーラブルなパスを提供することを示す。 今後の作業は、適応エンコーダとハイパーパラメータの選択を可能にし、さらなる製造モダリティの評価を拡大し、低消費電力加速器上での検証を可能にする。

関連論文リスト

• GraphCompNet: A Position-Aware Model for Predicting and Compensating Shape Deviations in 3D Printing [46.76421610124468]
  本稿では、添加性製造(AM)における形状偏差のモデル化と補償のためのデータ駆動アルゴリズムを提案する。 機械学習(ML)の最近の進歩により補償精度は向上しているが、複雑な地形をまたいで一般化し、位置依存的な変化に適応する問題は残っている。 本稿では,グラフベースニューラルネットワークとGAN(Generative Adversarial Network)にインスパイアされたトレーニングプロセスを組み合わせた計算フレームワークであるGraphCompNetを用いて,粉体層融合プロセスの新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2025-02-11T20:22:00Z)
• Designing DNNs for a trade-off between robustness and processing performance in embedded devices [1.474723404975345]
  機械学習ベースの組み込みシステムは、ソフトエラーに対して堅牢である必要がある。 本稿では,摂動に対するモデルロバスト性を改善するために有界AFを用いた場合の適合性について検討する。 自律運転におけるシーン理解のためのハイパースペクトル画像のセマンティックセグメンテーションタスクの実行を目的としたエンコーダ・デコーダの完全畳み込みモデルの解析を行う。
  論文  参考訳（メタデータ） (2024-12-04T19:34:33Z)
• Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
  タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。 既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。 ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-29T19:02:54Z)
• Random resistive memory-based deep extreme point learning machine for unified visual processing [67.51600474104171]
  ハードウェア・ソフトウェア共同設計型, ランダム抵抗型メモリベース深部極点学習マシン(DEPLM)を提案する。 我々の共同設計システムは,従来のシステムと比較して,エネルギー効率の大幅な向上とトレーニングコストの削減を実現している。
  論文  参考訳（メタデータ） (2023-12-14T09:46:16Z)
• Complexity Matters: Rethinking the Latent Space for Generative Modeling [65.64763873078114]
  生成的モデリングにおいて、多くの成功したアプローチは、例えば安定拡散のような低次元の潜在空間を利用する。 本研究では, モデル複雑性の観点から潜在空間を再考することにより, 未探索の話題に光を当てることを目的としている。
  論文  参考訳（メタデータ） (2023-07-17T07:12:29Z)
• Application of probabilistic modeling and automated machine learning framework for high-dimensional stress field [1.073039474000799]
  本稿では,入力のような高次元画像を高次元あるいはその重要な統計量の出力にマッピングするエンド・ツー・エンドのアプローチを提案する。 a) 高次元空間から低次元空間への入力と出力を減少または低次元空間へ、b)低次元空間における入力と出力の関係をモデル化し、c) マスクとしてドメイン固有の物理的制約を組み込むことを可能にした。
  論文  参考訳（メタデータ） (2023-03-15T13:10:58Z)
• Task-Oriented Sensing, Computation, and Communication Integration for Multi-Device Edge AI [108.08079323459822]
  本稿では,AIモデルの分割推論と統合センシング通信(ISAC)を併用した,新しいマルチインテリジェントエッジ人工レイテンシ(AI)システムについて検討する。 推定精度は近似的だが抽出可能な計量、すなわち判別利得を用いて測定する。
  論文  参考訳（メタデータ） (2022-07-03T06:57:07Z)
• An Adaptive Device-Edge Co-Inference Framework Based on Soft Actor-Critic [72.35307086274912]
  高次元パラメータモデルと大規模数学的計算は、特にIoT(Internet of Things)デバイスにおける実行効率を制限する。 本稿では,ソフトポリシーの繰り返しによるエフェキシット点,エフェキシット点,エンフェキシット点を生成する離散的(SAC-d)のための新しい深層強化学習(DRL)-ソフトアクタ批判法を提案する。 レイテンシと精度を意識した報酬設計に基づいて、そのような計算は動的無線チャンネルや任意の処理のような複雑な環境によく適応でき、5G URLをサポートすることができる。
  論文  参考訳（メタデータ） (2022-01-09T09:31:50Z)
• Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge Computing: A Contextual-Bandit Approach [81.5261621619557]
  階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。 まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。 そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
  論文  参考訳（メタデータ） (2021-08-09T08:45:47Z)
• Recovery of Linear Components: Reduced Complexity Autoencoder Designs [0.951828574518325]
  本論文では,線形・非線形次元低減技術の中間点となる線形成分の回収(Recovery of Linear Components, RLC)という手法を提案する。 合成および実世界のケーススタディの助けを借りて,類似した複雑性を持つオートエンコーダと比較すると,rlcは高い精度を示し,頑健性と過剰適合性,より高速なトレーニング時間を示すことを示した。
  論文  参考訳（メタデータ） (2020-12-14T14:08:20Z)

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。