論文の概要: TinyBayes: Closed-Form Bayesian Inference via Jacobi Prior for Real-Time Image Classification on Edge Devices

• arxiv url: http://arxiv.org/abs/2605.06333v1
• Date: Thu, 07 May 2026 14:26:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.895482
• Title: TinyBayes: Closed-Form Bayesian Inference via Jacobi Prior for Real-Time Image Classification on Edge Devices
• Title（参考訳）: TinyBayes: エッジデバイス上のリアルタイム画像分類に先立ってJacobiによるクローズドフォームベイズ推論
• Authors: Shouvik Sardar, Sourish Das,
• Abstract要約: TinyBayesは、クローズドフォームのベイズ分類器と、作物病検出のためのモバイルグレードのコンピュータビジョンパイプラインを組み合わせるためのフレームワークである。 Jacobi-DMRはパイプラインに13.5KBしか追加せず、総モデルサイズは9.5MBである。 我々はRandom Forest, SVM, Ridge, Lasso, Elastic Net, XG, Jacobi-GPの7つの分類器をベンチマークした。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cocoa (Theobroma cacao) is a critical cash crop for millions of smallholder farmers in West Africa, where Cocoa Swollen Shoot Virus Disease (CSSVD) and anthracnose cause devastating yield losses. Automated disease detection from leaf images is essential for early intervention, yet deploying such systems in resource-constrained settings demands models that are small, fast, and require no internet connectivity. Existing edge-deployable plant disease systems rely on end-to-end deep learning without uncertainty quantification, while Bayesian methods for edge devices focus on hardware-level inference architectures rather than agricultural applications. We bridge this gap with TinyBayes, the first framework to combine a closed-form Bayesian classifier with a mobile-grade computer vision pipeline for crop disease detection. Our pipeline uses YOLOv8-Nano (5.9 MB) for lesion localisation, MobileNetV3-Small (3.5 MB) for feature extraction, and the Jacobi prior; a Bayesian method that provides a closed form non-iterative estimators via projection, for the classification. The Jacobi-DMR (Distributed Multinomial Regression) classifier adds only 13.5 KB to the pipeline, bringing the total model size within 9.5 MB, while achieving 78.7% accuracy on the Amini Cocoa Contamination Challenge dataset and enabling end-to-end CPU inference under 150 ms per image. We benchmark against seven classifiers including Random Forest, SVM, Ridge, Lasso, Elastic Net, XGBoost, and Jacobi-GP, and demonstrate that the Jacobi-DMR offers the best trade-off between accuracy, model size, and inference speed for edge deployment. We have proved the asymptotic equivalence and consistency, asymptotic normality and the bias correction of Jacobi-DMR. All data and codes are available here: https://github.com/shouvik-sardar/TinyBayes
• Abstract（参考訳）: ココア(Theobroma cacao)は、西アフリカの何百万もの小作農にとって重要な現金作物である。 葉のイメージから自動的に病気を検出することは早期介入には不可欠であるが、リソース制限された設定にそのようなシステムをデプロイするには、小さく、高速で、インターネット接続を必要としないモデルが必要である。 既存のエッジデプロイ可能な植物病システムは、不確実な定量化なしにエンドツーエンドのディープラーニングに依存しているのに対し、エッジデバイスのためのベイズ的手法は、農業アプリケーションではなくハードウェアレベルの推論アーキテクチャに焦点を当てている。 このギャップをTinyBayesで埋める。これは、クローズドフォームのベイズ分類器と、作物病検出のためのモバイルグレードのコンピュータビジョンパイプラインを組み合わせた最初のフレームワークである。 我々のパイプラインは病変の局所化にYOLOv8-Nano (5.9 MB)、特徴抽出にMobileNetV3-Small (3.5 MB)、そしてJacobi pre; プロジェクションを介して閉じた形の非定性推定器を提供するベイズ的方法である。 Jacobi-DMR(Distributed Multinomial Regression)分類器はパイプラインに13.5KBしか追加せず、総モデルサイズは9.5MB以内となり、Amini Cocoa Contamination Challengeデータセットで78.7%の精度を実現し、1イメージあたり150ms以下のエンドツーエンドのCPU推論を可能にする。 我々はRandom Forest, SVM, Ridge, Lasso, Elastic Net, XGBoost, Jacobi-GPを含む7つの分類器をベンチマークし、Jacobi-DMRがエッジデプロイメントの正確性、モデルサイズ、推論速度の最良のトレードオフを提供することを示した。 我々は,ヤコビ-DMRの漸近的等価性と整合性,漸近的正規性,バイアス補正を証明した。 https://github.com/shouvik-sardar/TinyBayes.com/

関連論文リスト

• A Compact and Efficient 1.251 Million Parameter Machine Learning CNN Model PD36-C for Plant Disease Detection: A Case Study [0.0]
  深層学習は画像に基づく植物病の診断を著しく進歩させてきた。 本稿では,植物病の分類のための小型畳み込みニューラルネットワークPD36Cを提案する。 PD36 Cは堅牢性とエッジのデプロイ性のために設計されている。
  論文  参考訳（メタデータ） (2026-04-13T11:33:24Z)
• SCALE:Scalable Conditional Atlas-Level Endpoint transport for virtual cell perturbation prediction [46.645872209565574]
  仮想セル摂動予測のための大規模基盤モデルを提案する。 まず、データスループットを大幅に改善するBioNeMoベースのトレーニングおよび推論フレームワークを構築します。 第二に、摂動予測を条件付き輸送として定式化し、それをセットアウェアフローアーキテクチャで実装する。 第3に,生物学的に有意な指標に基づく厳密なセルレベルプロトコルを用いて,Tahoe-100Mのモデルを評価する。
  論文  参考訳（メタデータ） (2026-03-18T05:51:08Z)
• Automated Plant Disease and Pest Detection System Using Hybrid Lightweight CNN-MobileViT Models for Diagnosis of Indigenous Crops [0.0]
  農業はエチオピアのティグレイ地域の人口の80%以上を支えている。 インフラ破壊は 専門の作物病診断へのアクセスを制限する 本稿では,新たにキュレートされたサボテンフィグデータセットを中心に,オフラインファースト検出システムを提案する。
  論文  参考訳（メタデータ） (2025-12-06T06:24:46Z)
• Vision-Based Embedded System for Noncontact Monitoring of Preterm Infant Behavior in Low-Resource Care Settings [0.0]
  出生前は新生児死亡の主な原因であり、先進的新生児集中治療ユニット(NICUs)へのアクセスが制限された低リソース環境に不均等に影響を及ぼす 本稿では,このギャップに対処する新しい,非侵襲的で自動化された視覚ベースのフレームワークを提案する。 Raspberry Pi上にデプロイされた量子化されたMobileNetモデルを用いて,リアルタイムな動作状態検出を行う組込み監視システムを提案する。
  論文  参考訳（メタデータ） (2025-09-02T07:05:47Z)
• Calibrated and Robust Foundation Models for Vision-Language and Medical Image Tasks Under Distribution Shift [2.292525568003776]
  CLIPやSAMといった基礎モデルには、低ショット転送学習による高度なコンピュータビジョンと医療画像があり、限られたデータでCADDを支援する。 両課題に対処するためのFIPとCMPの融合である textbfStaRFM を提案する。 パッチワイド正規化により3Dに拡張されたFIPを適用し、埋め込みシフトを減らすとともに、ボクセルレベルの予測のために修正されたCMPをセグメンテーションの不確実性に適用する。
  論文  参考訳（メタデータ） (2025-07-12T09:39:07Z)
• Gated Attention for Large Language Models: Non-linearity, Sparsity, and Attention-Sink-Free [81.65559031466452]
  我々は、ゲーティング強化ソフトマックスアテンションの変種を調べる実験を行った。 SDPA(Scaled Dot-Product Attention)後の頭部特異的シグモイドゲートを簡易に修正することで,性能が向上することがわかった。
  論文  参考訳（メタデータ） (2025-05-10T17:15:49Z)
• Hybrid Knowledge Transfer through Attention and Logit Distillation for On-Device Vision Systems in Agricultural IoT [0.0]
  この研究は、精密農業におけるリアルタイムでエネルギー効率の高い作物モニタリングを推進している。 これは、エッジデバイス上でViTレベルの診断精度を実現する方法を示している。
  論文  参考訳（メタデータ） (2025-04-21T06:56:41Z)
• Model Inversion Attacks Through Target-Specific Conditional Diffusion Models [54.69008212790426]
  モデル反転攻撃(MIA)は、ターゲット分類器のトレーニングセットからプライベートイメージを再構築することを目的としており、それによってAIアプリケーションにおけるプライバシー上の懸念が高まる。 従来のGANベースのMIAは、GANの固有の欠陥と潜伏空間における最適化の偏りにより、劣った遺伝子的忠実度に悩まされる傾向にある。 これらの問題を緩和するために拡散モデル反転(Diff-MI)攻撃を提案する。
  論文  参考訳（メタデータ） (2024-07-16T06:38:49Z)
• Bridging Precision and Confidence: A Train-Time Loss for Calibrating Object Detection [58.789823426981044]
  本稿では,境界ボックスのクラス信頼度を予測精度に合わせることを目的とした,新たな補助損失定式化を提案する。 その結果,列車の走行時間損失はキャリブレーション基準を超過し,キャリブレーション誤差を低減させることがわかった。
  論文  参考訳（メタデータ） (2023-03-25T08:56:21Z)
• DAAIN: Detection of Anomalous and Adversarial Input using Normalizing Flows [52.31831255787147]
  我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。 本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。 当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
  論文  参考訳（メタデータ） (2021-05-30T22:07:13Z)
• Hessian-Aware Pruning and Optimal Neural Implant [74.3282611517773]
  プルーニングは、ニューラルネットワークモデルに関連するメモリフットプリントとフラップを減らす効果的な方法である。 構造的プルーニングの指標として2次感度を用いたニューラルインプラントアプローチと組み合わされた新しいヘッセン認識プルーニング法を提案する。
  論文  参考訳（メタデータ） (2021-01-22T04:08:03Z)

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。