論文の概要: MemKD: Memory-Discrepancy Knowledge Distillation for Efficient Time Series Classification

• arxiv url: http://arxiv.org/abs/2601.04264v1
• Date: Wed, 07 Jan 2026 07:45:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-09 17:01:52.840574
• Title: MemKD: Memory-Discrepancy Knowledge Distillation for Efficient Time Series Classification
• Title（参考訳）: MemKD: 効率的な時系列分類のためのメモリ分散知識蒸留
• Authors: Nilushika Udayangani, Kishor Nandakishor, Marimuthu Palaniswami,
• Abstract要約: メモリ分散知識蒸留(MemKD)と呼ばれる新しい知識蒸留(KD)フレームワークを提案する。 MemKDは、時系列データ内のサブシーケンスにまたがる教師モデルと学生モデル間のメモリ保持の相違をキャプチャする。 パラメータサイズとメモリ使用量を約500倍削減し、教師モデルに匹敵するパフォーマンスを維持する。
• 参考スコア（独自算出の注目度）: 3.5218695787734826
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning models, particularly recurrent neural networks and their variants, such as long short-term memory, have significantly advanced time series data analysis. These models capture complex, sequential patterns in time series, enabling real-time assessments. However, their high computational complexity and large model sizes pose challenges for deployment in resource-constrained environments, such as wearable devices and edge computing platforms. Knowledge Distillation (KD) offers a solution by transferring knowledge from a large, complex model (teacher) to a smaller, more efficient model (student), thereby retaining high performance while reducing computational demands. Current KD methods, originally designed for computer vision tasks, neglect the unique temporal dependencies and memory retention characteristics of time series models. To this end, we propose a novel KD framework termed Memory-Discrepancy Knowledge Distillation (MemKD). MemKD leverages a specialized loss function to capture memory retention discrepancies between the teacher and student models across subsequences within time series data, ensuring that the student model effectively mimics the teacher model's behaviour. This approach facilitates the development of compact, high-performing recurrent neural networks suitable for real-time, time series analysis tasks. Our extensive experiments demonstrate that MemKD significantly outperforms state-of-the-art KD methods. It reduces parameter size and memory usage by approximately 500 times while maintaining comparable performance to the teacher model.
• Abstract（参考訳）: ディープラーニングモデル、特にリカレントニューラルネットワークとその変種、例えば長期記憶は、大幅に高度な時系列データ分析を持つ。 これらのモデルは時系列の複雑なシーケンシャルパターンをキャプチャし、リアルタイムアセスメントを可能にする。 しかし、その高い計算複雑性と大きなモデルサイズは、ウェアラブルデバイスやエッジコンピューティングプラットフォームなど、リソースに制約のある環境への展開に困難をもたらす。 知識蒸留(KD)は、大規模で複雑なモデル(教師)からより小さくより効率的なモデル(学生)に知識を伝達することで、計算要求を減らしながら高い性能を維持する。 コンピュータビジョンタスク用に設計された現在のKD法は、時系列モデルのユニークな時間依存性とメモリ保持特性を無視している。 そこで本研究では,メモリ分散知識蒸留(MemKD)と呼ばれる新しいKDフレームワークを提案する。 MemKDは特別な損失関数を利用して、教師モデルと学生モデルの間の記憶保持の相違を時系列データ内のサブシーケンスで捉え、生徒モデルが教師モデルの振る舞いを効果的に模倣することを保証する。 このアプローチは、リアルタイム時系列解析タスクに適した、コンパクトで高性能なリカレントニューラルネットワークの開発を容易にする。 我々の広範な実験により、MemKDは最先端のKD法よりも大幅に優れていることが示された。 パラメータサイズとメモリ使用量を約500倍削減し、教師モデルに匹敵するパフォーマンスを維持する。

関連論文リスト

• Learning from Stochastic Teacher Representations Using Student-Guided Knowledge Distillation [64.15918654558816]
  教師表現のフィルタリングと重み付けのための自己蒸留(SSD)訓練戦略を導入し,タスク関連表現のみから抽出する。 UCR Archiveのウェアラブル/バイオサインデータセット、HARデータセット、画像分類データセットなどの実世界の感情コンピューティングに関する実験結果は、提案したSSD手法が最先端の手法より優れていることを示している。
  論文  参考訳（メタデータ） (2025-04-19T14:08:56Z)
• Stable Hadamard Memory: Revitalizing Memory-Augmented Agents for Reinforcement Learning [64.93848182403116]
  現在のディープラーニングメモリモデルは、部分的に観察可能で長期にわたる強化学習環境で苦労している。 本稿では,強化学習エージェントのための新しい記憶モデルであるStable Hadamard Memoryを紹介する。 我々の手法は、部分的に観測可能なベンチマークに挑戦する上で、最先端のメモリベースの手法よりも大幅に優れています。
  論文  参考訳（メタデータ） (2024-10-14T03:50:17Z)
• Exploring and Enhancing the Transfer of Distribution in Knowledge Distillation for Autoregressive Language Models [62.5501109475725]
  知識蒸留(KD)は、より小さな学生モデルを模倣するように訓練することで、大きな教師モデルを圧縮する技術である。 本稿では、教師ネットワークが小さなオンラインモジュールを統合し、学生モデルと同時学習するオンライン知識蒸留(OKD)について紹介する。 OKDは、様々なモデルアーキテクチャやサイズにおけるリードメソッドのパフォーマンスを達成または超え、トレーニング時間を最大4倍に短縮する。
  論文  参考訳（メタデータ） (2024-09-19T07:05:26Z)
• DistiLLM: Towards Streamlined Distillation for Large Language Models [53.46759297929675]
  DistiLLMは自動回帰言語モデルのためのより効率的で効率的なKDフレームワークである。 DisiLLMは,(1)新しいスキューKulback-Leibler分散損失,(2)学生生成出力の効率向上を目的とした適応型オフ政治アプローチの2つのコンポーネントから構成される。
  論文  参考訳（メタデータ） (2024-02-06T11:10:35Z)
• EsaCL: Efficient Continual Learning of Sparse Models [10.227171407348326]
  連続的な学習設定の主な課題は、以前に学習したタスクを実行する方法を忘れずに、タスクのシーケンスを効率的に学習することである。 本研究では,モデルの予測力に悪影響を及ぼすことなく,冗長なパラメータを自動生成する,スパースモデル(EsaCL)の効率的な連続学習法を提案する。
  論文  参考訳（メタデータ） (2024-01-11T04:59:44Z)

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。