論文の概要: K-Means Based TinyML Anomaly Detection and Distributed Model Reuse via the Distributed Internet of Learning (DIoL)

• arxiv url: http://arxiv.org/abs/2603.27393v1
• Date: Sat, 28 Mar 2026 20:19:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:44.935128
• Title: K-Means Based TinyML Anomaly Detection and Distributed Model Reuse via the Distributed Internet of Learning (DIoL)
• Title（参考訳）: K平均に基づくTinyML異常検出と分散学習(DIoL)による分散モデル再利用
• Authors: Abdulrahman Albaiz, Fathi Amsaad,
• Abstract要約: 本稿では、リソース制約マイクロコントローラ(MCU)用に設計された軽量なK-Means異常検出モデルと分散モデル共有ワークフローを提案する。 ミニ冷蔵庫からの実力測定を用いて、デバイス上の特徴抽出、クラスタリング、しきい値推定を行い、異常な機器の挙動を識別する。 各デバイス上のモデルの再トレーニングを回避するため,あるMCUでトレーニングされたモデルを移植可能なテキストベース表現としてエクスポートし,他のデバイス上で直接再利用することを可能にする分散学習インターネット(DIoL)を導入する。
• 参考スコア（独自算出の注目度）: 0.13750624267664155
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents a lightweight K-Means anomaly detection model and a distributed model-sharing workflow designed for resource-constrained microcontrollers (MCUs). Using real power measurements from a mini-fridge appliance, the system performs on-device feature extraction, clustering, and threshold estimation to identify abnormal appliance behavior. To avoid retraining models on every device, we introduce the Distributed Internet of Learning (DIoL), which enables a model trained on one MCU to be exported as a portable, text-based representation and reused directly on other devices. A two-device prototype demonstrates the feasibility of the "Train Once, Share Everywhere" (TOSE) approach using a real-world appliance case study, where Device A trains the model and Device B performs inference without retraining. Experimental results show consistent anomaly detection behavior, negligible parsing overhead, and identical inference runtimes between standalone and DIoL-based operation. The proposed framework enables scalable, low-cost TinyML deployment across fleets of embedded devices.
• Abstract（参考訳）: 本稿では、リソース制約マイクロコントローラ(MCU)用に設計された軽量なK-Means異常検出モデルと分散モデル共有ワークフローを提案する。 ミニ冷蔵庫からの実力測定を用いて、デバイス上の特徴抽出、クラスタリング、しきい値推定を行い、異常な機器の挙動を識別する。 各デバイス上のモデルの再トレーニングを回避するため,あるMCUでトレーニングされたモデルを移植可能なテキストベース表現としてエクスポートし,他のデバイス上で直接再利用することを可能にする分散学習インターネット(DIoL)を導入する。 2デバイスプロトタイプでは、現実のアプライアンスケーススタディを用いて"Train Once, Share Everywhere"(TOSE)アプローチの実現可能性を実証している。 実験の結果、一貫した異常検出挙動、無視可能な解析オーバーヘッド、およびスタンドアロンとDIoLベースの操作間の同一の推論ランタイムが示された。 提案されたフレームワークは、組み込みデバイス群にまたがるスケーラブルで低コストなTinyMLデプロイメントを可能にする。

関連論文リスト

• Online Continual Learning for Anomaly Detection in IoT under Data Distribution Shifts [33.554121482192635]
  我々は,モノのインターネット(IoT)異常検出(AD)のための連続学習(CL)を備えた新しい通信フレームワークOCLADSを提案する。 OCLADSは、デバイス上のIoT ADモデルをタイムリーに更新するために、データの分散シフトを追跡している。 提案手法は,ベースライン方式に比べてモデル更新回数が大幅に少なく,高い推論精度を実現する。
  論文  参考訳（メタデータ） (2026-03-08T07:24:37Z)
• Optimizing Model Splitting and Device Task Assignment for Deceptive Signal Assisted Private Multi-hop Split Learning [58.620753467152376]
  我々のモデルでは、複数のエッジデバイスが共同で協調訓練を行い、一部の盗聴者はデバイスからモデルとデータ情報を収集することを目的としている。 盗聴者がモデルやデータ情報を集めるのを防止するため、装置のサブセットは、偽装信号を送信することができる。 本稿では,本質的な好奇性モジュールとクロスアテンションを備えたアクター批判型深層強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-09T22:53:23Z)
• DA-Flow: Dual Attention Normalizing Flow for Skeleton-based Video Anomaly Detection [52.74152717667157]
  本稿では,DAM(Dual Attention Module)と呼ばれる軽量モジュールを提案する。 フレームアテンション機構を使用して、最も重要なフレームを識別し、スケルトンアテンション機構を使用して、最小パラメータとフロップで固定されたパーティション間の広範な関係をキャプチャする。
  論文  参考訳（メタデータ） (2024-06-05T06:18:03Z)
• On-device Online Learning and Semantic Management of TinyML Systems [8.183732025472766]
  本研究の目的は,単一TinyMLモデルのプロトタイピングと信頼性の高いTinyMLシステムの開発のギャップを埋めることである。 我々は,制約のあるデバイス上でのトレーニングを可能にするオンライン学習を提案し,最新のフィールド条件に局所モデルを適用する。 モデルとデバイスを大規模に管理するためのセマンティックマネジメントを提案する。
  論文  参考訳（メタデータ） (2024-05-13T10:03:34Z)
• Fitting a Directional Microstructure Model to Diffusion-Relaxation MRI Data with Self-Supervised Machine Learning [2.8167227950959206]
  教師付き学習の魅力的な代替手段として、自己教師型機械学習が登場している。 本稿では,指向性マイクロ構造モデルに適用可能な自己教師型機械学習モデルを実証する。 提案手法は, パラメータ推定と計算時間において, 通常の非線形最小二乗整合と比較して明らかに改善されている。
  論文  参考訳（メタデータ） (2022-10-05T15:51:39Z)
• Parallel Successive Learning for Dynamic Distributed Model Training over Heterogeneous Wireless Networks [50.68446003616802]
  フェデレートラーニング(Federated Learning, FedL)は、一連の無線デバイスにモデルトレーニングを配布する一般的なテクニックとして登場した。 我々は,FedLアーキテクチャを3次元に拡張した並列逐次学習(PSL)を開発した。 我々の分析は、分散機械学習におけるコールド対ウォームアップモデルの概念とモデル慣性について光を当てている。
  論文  参考訳（メタデータ） (2022-02-07T05:11:01Z)
• FedZKT: Zero-Shot Knowledge Transfer towards Heterogeneous On-Device Models in Federated Learning [6.9573683028565885]
  フェデレーション学習は、デバイス上でのトレーニングデータを集中化せずに、分散デバイスが共有予測モデルを学ぶことを可能にする。 本稿では,ゼロショット・ナレッジ・トランスファー(Zero-shot Knowledge Transfer)による異種オンデバイスモデル間のフェデレーション学習を支援する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-08T16:53:07Z)
• Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
  本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。 我々は,再建基準の代替として,異常スコアの代替尺度を提案した。 提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2020-03-24T08:26:58Z)

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。