論文の概要: MO-SAE:Multi-Objective Stacked Autoencoders Optimization for Edge Anomaly Detection

• arxiv url: http://arxiv.org/abs/2603.13895v1
• Date: Sat, 14 Mar 2026 11:10:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.473753
• Title: MO-SAE:Multi-Objective Stacked Autoencoders Optimization for Edge Anomaly Detection
• Title（参考訳）: MO-SAE:エッジ異常検出のための多目的スタックドオートエンコーダ最適化
• Authors: Lizhao Zhang, Shengsong Kong, Tao Guo, Shaobo Li, Zhenzhou Ji,
• Abstract要約: Stacked AutoEncoders (SAE) はエッジ異常検出のシナリオで広く採用されている。 しかし、SAEのリソース集約性は、エッジデバイスに重大な課題をもたらす可能性がある。 本稿では、これらの重要な要素を協調的に考慮し、バランスよく適応的なシステムレベルの最適化を実現するための統合最適化フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 4.037548309391426
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Stacked AutoEncoders (SAE) have been widely adopted in edge anomaly detection scenarios. However, the resource-intensive nature of SAE can pose significant challenges for edge devices, which are typically resource-constrained and must adapt rapidly to dynamic and changing conditions. Optimizing SAE to meet the heterogeneous demands of real-world deployment scenarios, including high performance under constrained storage, low power consumption, fast inference, and efficient model updates, remains a substantial challenge. To address this, we propose an integrated optimization framework that jointly considers these critical factors to achieve balanced and adaptive system-level optimization. Specifically, we formulate SAE optimization for edge anomaly detection as a multi-objective optimization problem and propose MO-SAE (Multi-Objective Stacked AutoEncoders). The multiple objectives are addressed by integrating model clipping, multi-branch exit design, and a matrix approximation technique. In addition, a multi-objective heuristic algorithm is employed to effectively balance the competing objectives in SAE optimization. Our results demonstrate that the proposed MO-SAE delivers substantial improvements over the original approach. On the x86 architecture, it reduces storage space and power consumption by at least 50%, improves runtime efficiency by no less than 28%, and achieves an 11.8% compression rate, all while maintaining application performance. Furthermore, MO-SAE runs efficiently on edge devices with ARM architecture. Experimental results show a 15% improvement in inference speed, facilitating efficient deployment in cloud-edge collaborative anomaly detection systems.
• Abstract（参考訳）: Stacked AutoEncoders (SAE) はエッジ異常検出のシナリオで広く採用されている。 しかし、SAEの資源集約的な性質は、通常はリソースの制約を受け、動的で変化する条件に迅速に適応する必要があるエッジデバイスに重大な課題をもたらす可能性がある。 制約のあるストレージ下でのハイパフォーマンス、低消費電力、高速推論、効率的なモデル更新など、現実世界のデプロイメントシナリオの不均一な要求を満たすようにSAEを最適化することは、依然として大きな課題である。 そこで本研究では、これらの重要な要素を協調的に考慮し、バランスよく適応的なシステムレベルの最適化を実現するための統合最適化フレームワークを提案する。 具体的には、エッジ異常検出のためのSAE最適化を多目的最適化問題として定式化し、MO-SAE(Multi-Objective Stacked AutoEncoders)を提案する。 モデルクリッピング、マルチブランチ・エグジット設計、行列近似技術を統合することで、複数の目的に対処する。 さらに、SAE最適化において競合する目的を効果的にバランスさせるために、多目的ヒューリスティックアルゴリズムを用いる。 提案したMO-SAEは,従来のアプローチよりも大幅に改善されていることを示す。 x86アーキテクチャでは、ストレージ容量と消費電力を少なくとも50%削減し、実行効率を28%以上改善し、アプリケーション性能を維持しながら11.8%の圧縮率を達成する。 さらに、MO-SAEはARMアーキテクチャを持つエッジデバイス上で効率的に動作する。 実験の結果,推論速度が15%向上し,クラウドエッジ協調異常検出システムへの効率的な展開が容易になった。

関連論文リスト

• Adaptive Surrogate-Based Strategy for Accelerating Convergence Speed when Solving Expensive Unconstrained Multi-Objective Optimisation Problems [41.99844472131922]
  本稿では,最先端MOEAの早期収束速度を高速化する適応的な代理モデル手法を提案する。 これは、解決者が比較的少ない適合関数評価で最適解や準最適解を識別できることを保証するためである。 提案手法は,広く知られている31のベンチマーク問題と実世界の北海魚量モデリングケーススタディで検証された。
  論文  参考訳（メタデータ） (2026-01-29T15:46:52Z)
• Efficient Onboard Vision-Language Inference in UAV-Enabled Low-Altitude Economy Networks via LLM-Enhanced Optimization [61.55616421408666]
  低高度経済ネットワーク(LAENets)は、航空監視、環境検知、セマンティックデータ収集など、様々な応用を可能にしている。 オンボードビジョン(VLM)は、リアルタイムな推論を提供するが、オンボードの動的ネットワーク条件は限られている。 動的LEENet条件下での通信効率を向上させるUAV対応LEENetシステムを提案する。
  論文  参考訳（メタデータ） (2025-10-11T05:11:21Z)
• COSMOS: A Hybrid Adaptive Optimizer for Memory-Efficient Training of LLMs [77.79640601822341]
  大規模言語モデル(LLM)は、様々な領域で顕著な成功を収めている。 それらの最適化は、彼らが居住している複雑で高次元のロスランドスケープのために重要な課題である。
  論文  参考訳（メタデータ） (2025-02-24T18:42:19Z)
• MetaML-Pro: Cross-Stage Design Flow Automation for Efficient Deep Learning Acceleration [8.43012094714496]
  本稿では、リソース制約のあるハードウェア上にディープニューラルネットワーク(DNN)をデプロイするための最適化戦略の体系化と自動化のための統一的なフレームワークを提案する。 提案手法は,2つの重要な問題に対処する: (i) カスタム最適化戦略のエンコードと (ii) クロスステージ最適化探索のエナリングである。
  論文  参考訳（メタデータ） (2025-02-09T11:02:06Z)
• A RankNet-Inspired Surrogate-Assisted Hybrid Metaheuristic for Expensive Coverage Optimization [5.757318591302855]
  大規模カバレッジ最適化タスクを処理するために,RangeNetによるSurrogate支援ハイブリッドメタヒューリスティックを提案する。 我々のアルゴリズムは、EMVOPの最先端アルゴリズムを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-01-13T14:49:05Z)
• Synergistic Development of Perovskite Memristors and Algorithms for Robust Analog Computing [53.77822620185878]
  本稿では,ペロブスカイト・メムリスタの製作を同時に最適化し,ロバストなアナログDNNを開発するための相乗的手法を提案する。 BO誘導ノイズインジェクションを利用したトレーニング戦略であるBayesMultiを開発した。 我々の統合されたアプローチは、より深くより広いネットワークでのアナログコンピューティングの使用を可能にし、最大100倍の改善を実現します。
  論文  参考訳（メタデータ） (2024-12-03T19:20:08Z)
• Dynamic Multi-Objective Lion Swarm Optimization with Multi-strategy Fusion: An application in 6R robot trajectory planning [11.421300692057029]
  本研究では,MF-DMOLSO (MF-DMOLSO) を用いた動的多目的ライオン群最適化手法を提案する。 MF-DMOLSOは初期化、Swarm位置更新、外部アーカイブ更新の3つの重要なコンポーネントから構成される。 6Rロボット軌道計画の適用により、MF-DMOLSOは走行時間と最大加速を8.3sと0.3pi rad/s2に最適化し、70.97%に設定された。
  論文  参考訳（メタデータ） (2024-05-31T18:05:47Z)
• Improving Performance Insensitivity of Large-scale Multiobjective Optimization via Monte Carlo Tree Search [7.34812867861951]
  モンテカルロ木探索に基づく大規模多目的最適化問題の解法を提案する。 提案手法は,モンテカルロ木上に新たなノードを構築するための決定変数をサンプリングし,最適化と評価を行う。 大規模な決定変数による性能感度を低下させるために、さらなる探索のための評価が良いノードを選択する。
  論文  参考訳（メタデータ） (2023-04-08T17:15:49Z)

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。