Fugu-MT 論文翻訳(概要): Continual Error Correction on Low-Resource Devices

論文の概要: Continual Error Correction on Low-Resource Devices

arxiv url: http://arxiv.org/abs/2511.21652v1
Date: Wed, 26 Nov 2025 18:24:11 GMT
ステータス: 翻訳完了
システム内更新日: 2025-11-27 18:37:59.241086
Title: Continual Error Correction on Low-Resource Devices
Title（参考訳）: 低電源デバイスにおける連続誤差補正
Authors: Kirill Paramonov, Mete Ozay, Aristeidis Mystakidis, Nikolaos Tsalikidis, Dimitrios Sotos, Anastasios Drosou, Dimitrios Tzovaras, Hyunjun Kim, Kiseok Chang, Sangdok Mo, Namwoong Kim, Woojong Yoo, Jijoong Moon, Umberto Michieli,
Abstract要約: 本稿では,最小限の計算資源とストレージを必要とする,数ショットの学習によってAIの誤分類を修正できる新しいシステムを提案する。提案手法は,サーバ側基礎モデルトレーニングとデバイス上でのプロトタイプベース分類を組み合わせることで,モデル再トレーニングではなく,プロトタイプ更新による効率的な誤り訂正を可能にする。画像分類とオブジェクト検出の両タスクにおける本システムの有効性を実証し,Food-101およびFlowers-102データセットのワンショットシナリオにおいて50%以上の誤差補正を実現した。
参考スコア（独自算出の注目度）: 33.29366524304944
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The proliferation of AI models in everyday devices has highlighted a critical challenge: prediction errors that degrade user experience. While existing solutions focus on error detection, they rarely provide efficient correction mechanisms, especially for resource-constrained devices. We present a novel system enabling users to correct AI misclassifications through few-shot learning, requiring minimal computational resources and storage. Our approach combines server-side foundation model training with on-device prototype-based classification, enabling efficient error correction through prototype updates rather than model retraining. The system consists of two key components: (1) a server-side pipeline that leverages knowledge distillation to transfer robust feature representations from foundation models to device-compatible architectures, and (2) a device-side mechanism that enables ultra-efficient error correction through prototype adaptation. We demonstrate our system's effectiveness on both image classification and object detection tasks, achieving over 50% error correction in one-shot scenarios on Food-101 and Flowers-102 datasets while maintaining minimal forgetting (less than 0.02%) and negligible computational overhead. Our implementation, validated through an Android demonstration app, proves the system's practicality in real-world scenarios.
Abstract（参考訳）: 日常的なデバイスにおけるAIモデルの普及は、ユーザエクスペリエンスを低下させる予測エラーという重要な課題を浮き彫りにした。既存のソリューションはエラー検出に重点を置いているが、特にリソース制約のあるデバイスに対して、効率的な修正メカニズムを提供することは滅多にない。本稿では,最小限の計算資源とストレージを必要とする,数ショットの学習によってAIの誤分類を修正できる新しいシステムを提案する。提案手法は,サーバ側基礎モデルトレーニングとデバイス上でのプロトタイプベース分類を組み合わせることで,モデル再トレーニングではなく,プロトタイプ更新による効率的な誤り訂正を可能にする。本システムは,(1)知識蒸留を利用したサーバサイドパイプラインを用いて,基礎モデルからデバイス互換アーキテクチャへのロバストな特徴表現の転送を行う。画像分類とオブジェクト検出の両タスクにおける本システムの有効性を実証し,Food-101およびFlowers-102データセットのワンショットシナリオにおいて50%以上の誤差補正を実現し,最小限の忘れ込み(0.02%未満)と無視可能な計算オーバーヘッドを維持した。我々の実装は、Androidのデモアプリを通じて検証され、実際のシナリオにおけるシステムの実用性を証明する。

関連論文リスト

Federated Learning of Low-Rank One-Shot Image Detection Models in Edge Devices with Scalable Accuracy and Compute Complexity [5.820612543019548]
LoRa-FLは、エッジデバイスにデプロイされた低ランクのワンショット画像検出モデルをトレーニングするために設計された。低ランク適応手法をワンショット検出アーキテクチャに組み込むことで,計算と通信のオーバーヘッドを大幅に低減する。
論文参考訳（メタデータ） (2025-04-23T08:40:44Z)
A Hybrid Framework for Statistical Feature Selection and Image-Based Noise-Defect Detection [55.2480439325792]
本稿では,統計的特徴選択と分類技術を統合し,欠陥検出精度を向上させるハイブリッドフレームワークを提案する。工業画像から抽出した55個の特徴を統計的手法を用いて解析した。これらの手法をフレキシブルな機械学習アプリケーションに統合することにより、検出精度を改善し、偽陽性や誤分類を減らす。
論文参考訳（メタデータ） (2024-12-11T22:12:21Z)
LightPure: Realtime Adversarial Image Purification for Mobile Devices Using Diffusion Models [1.6035624867835674]
本稿では,敵画像の清浄性を高める新しい方法であるLightPureを紹介する。既存の浄化法の精度を向上し、スピードと計算効率を著しく向上させる。以上の結果から,LightPureは既存のメソッドを最大10倍のレイテンシで上回ることができることがわかった。
論文参考訳（メタデータ） (2024-08-31T03:45:57Z)
A Reusable AI-Enabled Defect Detection System for Railway Using Ensembled CNN [5.381374943525773]
欠陥検出は、鉄道システムの信頼性を確保するために不可欠である。現在のアプローチは、CNNのような単一のディープラーニングモデルに依存している。再利用可能なAI対応欠陥検出手法を提案する。
論文参考訳（メタデータ） (2023-11-24T19:45:55Z)
Generative Adversarial Networks Unlearning [13.342749941357152]
機械学習は、訓練された機械学習モデルからトレーニングデータを消去するソリューションとして登場した。 GAN(Generative Adversarial Networks)の研究は、ジェネレータと識別器を含む独自のアーキテクチャによって制限されている。本稿では,GANモデルにおける項目学習とクラス学習の両方を対象としたケースドアンラーニング手法を提案する。
論文参考訳（メタデータ） (2023-08-19T02:21:21Z)
Distributional Instance Segmentation: Modeling Uncertainty and High Confidence Predictions with Latent-MaskRCNN [77.0623472106488]
本稿では,潜在符号を用いた分散インスタンス分割モデルのクラスについて検討する。ロボットピッキングへの応用として,高い精度を実現するための信頼性マスク手法を提案する。本手法は,新たにリリースした曖昧なシーンのデータセットを含め,ロボットシステムにおける致命的なエラーを著しく低減できることを示す。
論文参考訳（メタデータ） (2023-05-03T05:57:29Z)
TransferD2: Automated Defect Detection Approach in Smart Manufacturing using Transfer Learning Techniques [1.8899300124593645]
本稿では,ソースオブジェクトのデータセット上の欠陥を正確に識別するトランスファー学習手法であるTransferD2を提案する。提案手法は,モデルのトレーニングに不十分なデータが得られない欠陥検出アプリケーションに適用可能であり,新たな未知データ中の不完全性を特定するために拡張可能である。
論文参考訳（メタデータ） (2023-02-26T13:24:46Z)
Task-Oriented Over-the-Air Computation for Multi-Device Edge AI [57.50247872182593]
エッジAIをサポートするための6Gネットワークは、AIタスクの効率的かつ効率的な実行に焦点を当てたタスク指向のテクニックを備えている。本稿では,マルチデバイススプリット推論システムにおけるタスク指向オーバー・ザ・エア計算(AirComp)方式を提案する。
論文参考訳（メタデータ） (2022-11-02T16:35:14Z)
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)
Understanding Factual Errors in Summarization: Errors, Summarizers, Datasets, Error Detectors [105.12462629663757]
本研究では、既存の9つのデータセットから事実性エラーアノテーションを集約し、基礎となる要約モデルに従ってそれらを階層化する。本稿では,この階層化ベンチマークにおいて,最近のChatGPTベースの指標を含む最先端の事実性指標の性能を比較し,その性能が様々な種類の要約モデルで大きく異なることを示す。
論文参考訳（メタデータ） (2022-05-25T15:26:48Z)
Few-shot Action Recognition with Prototype-centered Attentive Learning [88.10852114988829]
2つの新しい構成要素からなるプロトタイプ中心型注意学習(pal)モデル。まず,従来のクエリ中心学習目標を補完するために,プロトタイプ中心のコントラスト学習損失を導入する。第二に、PALは注意深いハイブリッド学習機構を統合しており、アウトレーヤの負の影響を最小限に抑えることができる。
論文参考訳（メタデータ） (2021-01-20T11:48:12Z)

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。