Fugu-MT 論文翻訳(概要): What changes after deployment? A survey on On-device Learning in TinyML

論文の概要: What changes after deployment? A survey on On-device Learning in TinyML

arxiv url: http://arxiv.org/abs/2605.31226v1
Date: Fri, 29 May 2026 12:29:25 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-01 20:56:50.599774
Title: What changes after deployment? A survey on On-device Learning in TinyML
Title（参考訳）: TinyMLにおけるデバイス上での学習に関する調査
Abstract要約: マイクロコントローラクラスのデバイス(TinyML)上の機械学習モデルは、基本的な課題に直面している。オンデバイス学習(ODL)は、デバイス上で直接学習プロセスを実行することで、この問題に対処する。約70のODL著作を1つの原則,すなわち分布変化体制の下で調査した。
参考スコア（独自算出の注目度）: 4.557801520690308
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Machine learning models on microcontroller-class devices (TinyML) face a fundamental challenge: post-deployment distribution change undermines static models. On-device learning (ODL) addresses this by running the learning process directly on the device. The existing literature has not characterized how distribution change occurs or how different change types require different solutions. Approximately 70 ODL works are surveyed under one principle: the distribution change regime. The survey analyzes how different types of distribution change influence the applications addressable on-device, the hardware employed, and the structure of the solutions. A persistent gap between methodological benchmarks and real-world deployment scenarios is also identified.
Abstract（参考訳）: マイクロコントローラクラスのデバイス(TinyML)上の機械学習モデルは、基本的な課題に直面している。オンデバイス学習(ODL)は、デバイス上で直接学習プロセスを実行することで、この問題に対処する。既存の文献では、どのように分布の変化が起こるか、どのように異なる変化タイプが異なるソリューションを必要とするかを特徴付けていない。約70のODL著作を1つの原則,すなわち分布変化体制の下で調査した。調査では、さまざまなタイプの分散変化が、オンデバイスで対応可能なアプリケーション、採用するハードウェア、ソリューションの構造にどのように影響するかを分析した。方法論的なベンチマークと実世界のデプロイメントシナリオの間には、永続的なギャップがある。

関連論文リスト

K-Means Based TinyML Anomaly Detection and Distributed Model Reuse via the Distributed Internet of Learning (DIoL) [0.13750624267664155]
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。
論文参考訳（メタデータ） (2026-03-28T20:19:39Z)
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)
Learning Invariant Molecular Representation in Latent Discrete Space [52.13724532622099]
本稿では,分散シフトに対する不変性とロバスト性を示す分子表現を学習するための新しい枠組みを提案する。我々のモデルは、様々な分布シフトが存在する場合に、最先端のベースラインに対してより強力な一般化を実現する。
論文参考訳（メタデータ） (2023-10-22T04:06:44Z)
Learning Invariant Representations with a Nonparametric Nadaraya-Watson Head [8.40704222803588]
本稿では,最近提案されたNadaraya-Watson(NW)ヘッドに基づいて,不変表現を学習するための非パラメトリック戦略を提案する。サポートセットを操作することで、異なる因果仮定をエンコードできることを実証する。特に、サポートセットをひとつの環境に制限することは、環境に依存しない不変の機能を学ぶことをモデルに促す。
論文参考訳（メタデータ） (2023-09-23T13:46:49Z)
PatchMix Augmentation to Identify Causal Features in Few-shot Learning [55.64873998196191]
少ないショット学習は、十分なカテゴリをラベル付けしたデータに基づいて学習した知識を、少ない既知の情報を持つ新しいカテゴリに転送することを目的としている。我々はPatchMixと呼ばれる新しいデータ拡張戦略を提案し、この急激な依存関係を壊すことができる。このような拡張メカニズムが,既存のメカニズムと異なり,因果的特徴を識別可能であることを示す。
論文参考訳（メタデータ） (2022-11-29T08:41:29Z)
Sufficient Invariant Learning for Distribution Shift [28.06497449933632]
本稿では,SIL(Sufficient Invariant Learning)フレームワークという新しい学習原理を紹介する。 SILは、単一の機能に頼るのではなく、不変機能の十分なサブセットを学ぶことに重点を置いている。本稿では,適応シャープネスを意識したグループ分散ロバスト最適化(ASGDRO)を提案する。
論文参考訳（メタデータ） (2022-10-24T18:34:24Z)
Deep learning model solves change point detection for multiple change types [69.77452691994712]
変更点検出は、データ分散の急激な障害をキャッチすることを目的としている。本稿では,マルチディストリビューションシナリオにおけるアプローチを提案する。
論文参考訳（メタデータ） (2022-04-15T09:44:21Z)
Learning Prototype-oriented Set Representations for Meta-Learning [85.19407183975802]
集合構造データから学ぶことは、近年注目を集めている根本的な問題である。本稿では,既存の要約ネットワークを改善するための新しい最適輸送方式を提案する。さらに、少数ショット分類と暗黙的メタ生成モデリングの事例にインスタンス化する。
論文参考訳（メタデータ） (2021-10-18T09:49:05Z)
Variational Beam Search for Learning with Distribution Shifts [26.345665980534374]
i)最小限の連続観測に基づく微妙な分布シフトの推論が可能であり、(ii)それに応じてモデルをオンライン方式で適応できるベイズ式メタアルゴリズムを提案する。私たちの提案するアプローチはモデルに依存しず、教師なしと教師なしの両方の学習に適用可能であり、最先端のベイズオンライン学習アプローチよりも大幅に改善されます。
論文参考訳（メタデータ） (2020-12-15T05:28:47Z)
Adaptive Risk Minimization: Learning to Adapt to Domain Shift [109.87561509436016]
ほとんどの機械学習アルゴリズムの基本的な前提は、トレーニングとテストデータは、同じ基礎となる分布から引き出されることである。本研究では,学習データをドメインに構造化し,複数のテスト時間シフトが存在する場合の領域一般化の問題点について考察する。本稿では、適応リスク最小化(ARM)の枠組みを紹介し、モデルがトレーニング領域に適応することを学ぶことで、効果的な適応のために直接最適化される。
論文参考訳（メタデータ） (2020-07-06T17:59:30Z)
Few-Shot Learning as Domain Adaptation: Algorithm and Analysis [120.75020271706978]
わずかながらの学習は、目に見えないクラスを認識するために、目に見えないクラスから学んだ事前知識を使用する。このクラス差による分布シフトは、ドメインシフトの特別なケースとみなすことができる。メタラーニングフレームワークにおいて、そのようなドメインシフト問題に明示的に対処するために、注意を向けたプロトタイプドメイン適応ネットワーク(DAPNA)を提案する。
論文参考訳（メタデータ） (2020-02-06T01:04:53Z)

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。