論文の概要: BioTrain: Sub-MB, Sub-50mW On-Device Fine-Tuning for Edge-AI on Biosignals

• arxiv url: http://arxiv.org/abs/2604.13359v1
• Date: Tue, 14 Apr 2026 23:47:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-16 20:38:32.33143
• Title: BioTrain: Sub-MB, Sub-50mW On-Device Fine-Tuning for Edge-AI on Biosignals
• Title（参考訳）: BioTrain:Sub-MB,Sub-50mWオンデバイスファインタニングによるバイオシグナーのエッジAI
• Authors: Run Wang, Victor J. B. Jung, Philip Wiese, Sebastian Frey, Giusy Spacone, Francesco Conti, Alessio Burrello, Luca Benin,
• Abstract要約: バイオシグナーは、かなりのクロスオブジェクトとクロスセッションのばらつきを示す。 既存の100mW未満のMCUベースのウェアラブルプラットフォームでは、浅いあるいはスパースな適応スキームしかサポートできない。 バイオトレイン(BioTrain)は,最先端の生体信号モデルの完全な微調整を可能にするフレームワークである。
• 参考スコア（独自算出の注目度）: 4.925967737613056
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Biosignals exhibit substantial cross-subject and cross-session variability, inducing severe domain shifts that degrade post-deployment performance for small, edge-oriented AI models. On-device adaptation is therefore essential to both preserve user privacy and ensure system reliability. However, existing sub-100 mW MCU-based wearable platforms can only support shallow or sparse adaptation schemes due to the prohibitive memory footprint and computational cost of full backpropagation (BP). In this paper, we propose BioTrain, a framework enabling full-network fine-tuning of state-of-the-art biosignal models under milliwatt-scale power and sub-megabyte memory constraints. We validate BioTrain using both offline and on-device benchmarks on EEG and EOG datasets, covering Day-1 new-subject calibration and longitudinal adaptation to signal drift. Experimental results show that full-network fine-tuning achieves accuracy improvements of up to 35% over non-adapted baselines and outperforms last-layer updates by approximately 7% during new-subject calibration. On the GAP9 MCU platform, BioTrain enables efficient on-device training throughput of 17 samples/s for EEG and 85 samples/s for EOG models within a power envelope below 50 mW. In addition, BioTrain's efficient memory allocator and network topology optimization enable the use of a large batch size, reducing peak memory usage. For fully on-chip BP on GAP9, BioTrain reduces the memory footprint by 8.1x, from 5.4 MB to 0.67 MB, compared to conventional full-network fine-tuning using batch normalization with batch size 8.
• Abstract（参考訳）: バイオシグナーは、大規模なクロスオブジェクトとクロスセッションの変動を示し、小さなエッジ指向AIモデルのデプロイ後のパフォーマンスを低下させる、厳しいドメインシフトを引き起こす。 したがって、オンデバイス適応はユーザのプライバシ保護とシステムの信頼性確保の両方に不可欠である。 しかし、既存の100mW未満のMCUベースのウェアラブルプラットフォームは、メモリフットプリントの禁止とフルバックプロパゲーション(BP)の計算コストのため、浅いあるいはスパースな適応方式しかサポートできない。 本稿では,ミリワット規模の電力とサブメガバイトのメモリ制約下で,最先端バイオシグナーモデルのフルネットワーク微調整を可能にするBioTrainを提案する。 EEGおよびEOGデータセットのオフラインおよびオンデバイスベンチマークを用いてBioTrainを検証する。 実験結果から,非適応ベースラインよりも最大35%の精度向上を実現し,新対象キャリブレーション時の最終層更新率を約7%向上した。 GAP9 MCUプラットフォームでは、BioTrainはEEGの17サンプル/秒、EOGモデルの85サンプル/秒を50mW以下のパワーエンベロープ内で効率的なデバイス上でのトレーニングスループットを実現する。 さらに、BioTrainの効率的なメモリアロケータとネットワークトポロジ最適化により、大規模なバッチサイズの使用が可能になり、ピークメモリ使用量の削減を実現している。 GAP9上の完全なオンチップBPの場合、BioTrainはバッチサイズ8.1倍のメモリフットプリントを5.4MBから0.67MBに削減する。

関連論文リスト

• FEMBA on the Edge: Physiologically-Aware Pre-Training, Quantization, and Deployment of a Bidirectional Mamba EEG Foundation Model on an Ultra-low Power Microcontroller [13.961569964076451]
  脳波の21,000時間以上で事前トレーニングされた双方向のマンバアーキテクチャであるFEMBAを提案する。 低域通過フィルタリングによる再構成を含む,生理的事前学習の新たな目標を提案する。 我々は、モデルを2ビットの重みに圧縮するために量子化アウェアトレーニング(QAT)を用いる。
  論文  参考訳（メタデータ） (2026-03-18T13:23:13Z)
• EcoSpa: Efficient Transformer Training with Coupled Sparsity [79.5008521101473]
  トランスフォーマーは現代のAIのバックボーンとなっているが、その高い計算要求は重要なシステム課題を引き起こしている。 EcoSpaは、結合した重み行列対を共同で評価し、スパース化する効率的な構造的スパース訓練法である。
  論文  参考訳（メタデータ） (2025-11-09T11:23:43Z)
• CEReBrO: Compact Encoder for Representations of Brain Oscillations Using Efficient Alternating Attention [46.47343031985037]
  交互注意(CEReBrO)を用いた脳振動の表現のための圧縮法について紹介する。 トークン化方式は、チャネルごとのパッチで脳波信号を表現します。 本研究では,チャネル内時間的ダイナミックスとチャネル間空間的相関を共同でモデル化し,通常の自己アテンションに比べて6倍少ないメモリで2倍の速度向上を実現するための注意機構を提案する。
  論文  参考訳（メタデータ） (2025-01-18T21:44:38Z)
• Efficient Training of Transformers for Molecule Property Prediction on Small-scale Datasets [0.0]
  血液脳関門(BBB)は、脳を循環系から分離する保護障壁として機能する。 BBB透過性を測定する従来の実験手法は、大規模スクリーニングでは困難で実用的ではない。 本稿では,低データ方式のGPSトランスフォーマーアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-09-07T21:07:12Z)
• EcoTTA: Memory-Efficient Continual Test-time Adaptation via Self-distilled Regularization [71.70414291057332]
  TTAは主にメモリ制限のあるエッジデバイス上で実行される。 長期的な適応は、しばしば破滅的な忘れとエラーの蓄積につながる。 本稿では,凍結したオリジナルネットワークを対象ドメインに適応させる軽量なメタネットワークを提案する。
  論文  参考訳（メタデータ） (2023-03-03T13:05:30Z)
• Bioformers: Embedding Transformers for Ultra-Low Power sEMG-based Gesture Recognition [21.486555297061717]
  人間と機械の相互作用は、義手やロボットアームの制御など、リハビリ作業において勢いを増している。 表面筋電図(sEMG)信号を利用したジェスチャー認識は最も有望なアプローチの一つである。 しかし、同様のジェスチャーが同様の筋収縮をもたらすため、これらの信号の分析は依然として多くの課題を呈している。
  論文  参考訳（メタデータ） (2022-03-24T08:37:26Z)
• EEG-Inception: An Accurate and Robust End-to-End Neural Network for EEG-based Motor Imagery Classification [123.93460670568554]
  本稿では,脳波に基づく運動画像(MI)分類のための新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。 提案したCNNモデル、すなわちEEG-Inceptionは、Inception-Timeネットワークのバックボーン上に構築されている。 提案するネットワークは、生のEEG信号を入力とし、複雑なEEG信号前処理を必要としないため、エンドツーエンドの分類である。
  論文  参考訳（メタデータ） (2021-01-24T19:03:10Z)
• Sound Event Detection with Binary Neural Networks on Tightly Power-Constrained IoT Devices [20.349809458335532]
  サウンドイベント検出(SED)は、消費者およびスマートシティアプリケーションのホットトピックです。 Deep Neural Networksに基づく既存のアプローチは非常に効果的ですが、メモリ、電力、スループットの面で非常に要求が高いです。 本稿では,高エネルギー効率なRISC-V(8+1)コアGAP8マイクロコントローラと,極端量子化と小プリントバイナリニューラルネットワーク(BNN)の組み合わせについて検討する。
  論文  参考訳（メタデータ） (2021-01-12T12:38:23Z)

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。