論文の概要: Efficient Deep Learning for Biometrics: Overview, Challenges and Trends in Ear of Frugal AI

• arxiv url: http://arxiv.org/abs/2602.08809v1
• Date: Mon, 09 Feb 2026 15:48:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:25.332747
• Title: Efficient Deep Learning for Biometrics: Overview, Challenges and Trends in Ear of Frugal AI
• Title（参考訳）: バイオメトリックスのための効果的なディープラーニング:Frugal AIの耳の概観、課題、トレンド
• Authors: Karim Haroun, Aya Zitouni, Aicha Zenakhri, Meriem Amel Guessoum, Larbi Boubchir,
• Abstract要約: バイオメトリック応用のための効率的な深層学習手法を短時間で検討する。 私たちは、ディープラーニングのアプローチをトレーニングし、デプロイする際に生じる可能性のある課題に取り組みます。 これらのモデルの効率を評価するための相補的指標について論じる。
• 参考スコア（独自算出の注目度）: 0.9569208373364794
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in deep learning, whether on discriminative or generative tasks have been beneficial for various applications, among which security and defense. However, their increasing computational demands during training and deployment translates directly into high energy consumption. As a consequence, this induces a heavy carbon footprint which hinders their widespread use and scalability, but also a limitation when deployed on resource-constrained edge devices for real-time use. In this paper, we briefly survey efficient deep learning methods for biometric applications. Specifically, we tackle the challenges one might incur when training and deploying deep learning approaches, and provide a taxonomy of the various efficient deep learning families. Additionally, we discuss complementary metrics for evaluating the efficiency of these models such as memory, computation, latency, throughput, and advocate for universal and reproducible metrics for better comparison. Last, we give future research directions to consider.
• Abstract（参考訳）: 近年の深層学習の進歩は, 差別的タスクや生成的タスクにおいて, セキュリティや防衛など様々な応用に有用である。 しかし、訓練や展開における計算要求の増加は、直接的に高エネルギー消費へと変換される。 その結果、これは、その広範な使用とスケーラビリティを妨げる重い炭素フットプリントを誘導すると同時に、リソース制約のあるエッジデバイスにリアルタイムにデプロイする際の制限も引き起こす。 本稿では,バイオメトリックス応用のための効率的な深層学習手法を手短に検討する。 具体的には、深層学習アプローチの訓練と展開の際の課題に取り組み、様々な効率的な深層学習家族の分類を提供する。 さらに,メモリ,計算,レイテンシ,スループットなど,これらのモデルの効率を評価するための補完的指標についても論じる。 最後に、今後の研究の方向性について考察する。

関連論文リスト

• Efficient Machine Unlearning via Influence Approximation [75.31015485113993]
  インフルエンサーベースのアンラーニングは、個別のトレーニングサンプルがモデルパラメータに与える影響を再トレーニングせずに推定する顕著なアプローチとして現れてきた。 本稿では,暗記(増分学習)と忘れ(未学習)の理論的関連性を確立する。 本稿では、インフルエンス近似アンラーニングアルゴリズムを導入し、インクリメンタルな視点から効率的なマシンアンラーニングを行う。
  論文  参考訳（メタデータ） (2025-07-31T05:34:27Z)
• SHIRE: Enhancing Sample Efficiency using Human Intuition in REinforcement Learning [11.304750795377657]
  確率的図形モデル(PGM)を用いた人間の直観を符号化するフレームワークShireを提案する。 ShiREは、評価対象環境の25～78%のサンプル効率を、無視可能なオーバーヘッドコストで達成します。
  論文  参考訳（メタデータ） (2024-09-16T04:46:22Z)
• Computation-efficient Deep Learning for Computer Vision: A Survey [121.84121397440337]
  ディープラーニングモデルは、さまざまな視覚的知覚タスクにおいて、人間レベルのパフォーマンスに到達または超えた。 ディープラーニングモデルは通常、重要な計算資源を必要とし、現実のシナリオでは非現実的な電力消費、遅延、または二酸化炭素排出量につながる。 新しい研究の焦点は計算効率のよいディープラーニングであり、推論時の計算コストを最小限に抑えつつ、良好な性能を達成することを目指している。
  論文  参考訳（メタデータ） (2023-08-27T03:55:28Z)
• Multi-Fidelity Active Learning with GFlowNets [65.91555804996203]
  本稿では,GFlowNetsをサンプルとして多要素能動学習アルゴリズムを提案する。 分子探索タスクの評価は,GFlowNetsを用いた多要素能動学習が,その単要素の予算のごく一部で高い評価の候補を発見できることを示す。
  論文  参考訳（メタデータ） (2023-06-20T17:43:42Z)
• Compute-Efficient Deep Learning: Algorithmic Trends and Opportunities [18.508401650991434]
  ニューラルネットワークのトレーニングの経済的および環境的コストは、持続不可能になりつつある。 *アルゴリズム的に効率のよいディープラーニングの研究*は、トレーニングプログラムの意味論の変化を通じて、トレーニングコストを削減しようとしている。 アルゴリズム的に効率的な学習の基本的な構成要素を用いて分類学を開発する。
  論文  参考訳（メタデータ） (2022-10-13T00:40:04Z)
• Design Automation for Fast, Lightweight, and Effective Deep Learning Models: A Survey [53.258091735278875]
  本調査では,エッジコンピューティングを対象としたディープラーニングモデルの設計自動化技術について述べる。 これは、有効性、軽量性、計算コストの観点からモデルの習熟度を定量化するために一般的に使用される主要なメトリクスの概要と比較を提供する。 この調査は、ディープモデル設計自動化技術の最先端の3つのカテゴリをカバーしている。
  論文  参考訳（メタデータ） (2022-08-22T12:12:43Z)
• Sparsity in Deep Learning: Pruning and growth for efficient inference and training in neural networks [78.47459801017959]
  Sparsityは、モバイル機器に適合する通常のネットワークのメモリフットプリントを減らすことができる。 ニューラルネットワークの要素を除去および追加するためのアプローチ、モデルの疎性を達成するための異なるトレーニング戦略、実際に疎性を利用するメカニズムについて説明する。
  論文  参考訳（メタデータ） (2021-01-31T22:48:50Z)

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。