論文の概要: Embedded Machine Learning for Microcontroller-Class Edge Devices: Data, Feature, Evaluation, and Deployment Pipelines

• arxiv url: http://arxiv.org/abs/2606.18122v1
• Date: Tue, 16 Jun 2026 16:22:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-17 17:15:32.545023
• Title: Embedded Machine Learning for Microcontroller-Class Edge Devices: Data, Feature, Evaluation, and Deployment Pipelines
• Title（参考訳）: マイクロコントローラクラスのエッジデバイスのための組み込み機械学習:データ、特徴、評価、デプロイメントパイプライン
• Authors: Mostafa Darvishi,
• Abstract要約: 本稿では,マイクロコントローラクラスプラットフォームのための組み込み機械学習ワークフローをシステム指向で構築する。 一般的な機械学習の導入でしばしば隠されるエンジニアリング上の決定に重点を置いている。 本稿では,データキュレーション,量子化,しきい値設定,スケジューリング,フィールド監視など,デバイス上での堅牢な推論のための実用的な設計規則について述べる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Embedded machine learning moves inference from cloud services to resource-constrained devices that must acquire data, preprocess signals, run a model, and act within tight limits on memory, energy, and latency. This paper presents a systems-oriented synthesis of an embedded machine-learning workflow for microcontroller-class platforms. The emphasis is placed on engineering decisions that are often hidden in generic machine-learning introductions: sampling and buffering, feature extraction as dimensionality reduction, validation under class imbalance, model/runtime co-design, and streaming deployment. Two representative signal families are used throughout the paper. The first is inertial motion recognition, where a two-second, three-axis accelerometer window is transformed from raw samples into root-mean-square and spectral features before classification. The second is keyword spotting, where audio is sampled, anti-aliased, transformed into mel-frequency cepstral coefficients, and processed by a compact one-dimensional convolutional network. The paper concludes with practical design rules for robust on-device inference, including data curation, quantization, thresholding, scheduling, and field monitoring.
• Abstract（参考訳）: 組み込み機械学習は、クラウドサービスから、データを取得し、前処理信号を取得し、モデルを実行し、メモリ、エネルギ、レイテンシの厳しい制限の中で動作しなければならないリソース制約のあるデバイスに推論を移行する。 本稿では,マイクロコントローラクラスプラットフォームのための組み込み機械学習ワークフローをシステム指向で構築する。 一般的な機械学習の導入には、サンプリングとバッファリング、次元的削減としての特徴抽出、クラス不均衡下での検証、モデル/ランタイムの共同設計、ストリーミングデプロイメントなど、しばしば隠れているエンジニアリング上の決定に重点を置いている。 2つの代表的な信号系が全紙で使用されている。 1つは慣性運動認識であり、2秒の3軸加速度計窓を原材料から根平均二乗およびスペクトルの特徴に分類する前に変換する。 2つ目はキーワードスポッティングで、音声はサンプリングされ、アンチエイリアス化され、メル周波数ケプストラム係数に変換され、コンパクトな1次元畳み込みネットワークで処理される。 本稿では,データキュレーション,量子化,しきい値設定,スケジューリング,フィールド監視など,デバイス上での堅牢な推論のための実用的な設計規則について述べる。

関連論文リスト

• 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)
• Event Classification of Accelerometer Data for Industrial Package Monitoring with Embedded Deep Learning [0.0]
  本稿では,組込みシステムを用いて再利用可能なパッケージ上に配置し,その状態を検出する手法を提案する。 我々は,再利用可能なパッケージの寿命に対応した,数年の寿命を持つシステムを設計することを目指している。 本研究では,不均衡な時系列データを対象としたディープラーニングモデルの,データ処理,トレーニング,評価を含むパイプラインを提案する。
  論文  参考訳（メタデータ） (2025-06-05T09:55:58Z)
• End-to-End triplet loss based fine-tuning for network embedding in effective PII detection [0.12289361708127873]
  本稿では,モバイルパケット中のPIIの露出を予測するための,ディープラーニングに基づくエンドツーエンド学習フレームワークを提案する。 このフレームワークは、トレーニング済みの大規模言語モデル(LLM)とオートエンコーダを使用して、ネットワークパケットの埋め込みを生成する。 提案する検出フレームワークと,ユーザのデバイスからPIIリークを検出する技術について比較した。
  論文  参考訳（メタデータ） (2025-02-13T06:43:46Z)
• Deep Feature Learning for Wireless Spectrum Data [0.5809784853115825]
  本稿では,無線通信クラスタリングのための特徴表現を教師なしで学習する手法を提案する。 自動表現学習は,無線伝送バーストの形状を含む微細なクラスタを抽出できることを示す。
  論文  参考訳（メタデータ） (2023-08-07T12:27:19Z)
• Task-Oriented Over-the-Air Computation for Multi-Device Edge AI [57.50247872182593]
  エッジAIをサポートするための6Gネットワークは、AIタスクの効率的かつ効率的な実行に焦点を当てたタスク指向のテクニックを備えている。 本稿では,マルチデバイススプリット推論システムにおけるタスク指向オーバー・ザ・エア計算(AirComp)方式を提案する。
  論文  参考訳（メタデータ） (2022-11-02T16:35:14Z)
• Incremental Online Learning Algorithms Comparison for Gesture and Visual Smart Sensors [68.8204255655161]
  本稿では,加速度センサデータに基づくジェスチャー認識と画像分類の2つの実例として,最先端の4つのアルゴリズムを比較した。 以上の結果から,これらのシステムの信頼性と小型メモリMCUへのデプロイの可能性が確認された。
  論文  参考訳（メタデータ） (2022-09-01T17:05:20Z)
• Task-Oriented Sensing, Computation, and Communication Integration for Multi-Device Edge AI [108.08079323459822]
  本稿では,AIモデルの分割推論と統合センシング通信(ISAC)を併用した,新しいマルチインテリジェントエッジ人工レイテンシ(AI)システムについて検討する。 推定精度は近似的だが抽出可能な計量、すなわち判別利得を用いて測定する。
  論文  参考訳（メタデータ） (2022-07-03T06:57:07Z)
• Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D Object Detection [85.11649974840758]
  3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。 そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
  論文  参考訳（メタデータ） (2021-11-30T18:42:42Z)
• Tiny Machine Learning for Concept Drift [8.452237741722726]
  本稿では,ディープラーニング特徴抽出器とk-アネレスト近傍に基づくTML-CD(Tiny Machine Learning for Concept Drift)ソリューションを提案する。 適応モジュールは、TML-CDの知識ベースを継続的に更新し、データ生成プロセスに影響を与える概念ドリフトに対処する。 3つの市販マイクロコントローラユニットへのTML-CDの移植は、現実世界の広範システムで提案されていることの実現可能性を示している。
  論文  参考訳（メタデータ） (2021-07-30T17:02:04Z)
• Federated Self-Supervised Learning of Multi-Sensor Representations for Embedded Intelligence [8.110949636804772]
  スマートフォン、ウェアラブル、IoT(Internet of Things)デバイスは、教師付きモデルを学習するための集中リポジトリに蓄積できない豊富なデータを生成する。 本稿では,ウェーブレット変換に基づくテキストカルグラム・信号対応学習という自己教師付きアプローチを提案し,ラベルなしセンサ入力から有用な表現を学習する。 さまざまなパブリックデータセットのマルチビュー戦略を用いて,学習機能の品質を広範囲に評価し,すべての領域で高いパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2020-07-25T21:59:17Z)
• One-step regression and classification with crosspoint resistive memory arrays [62.997667081978825]
  高速で低エネルギーのコンピュータは、エッジでリアルタイム人工知能を実現するために要求されている。 ワンステップ学習は、ボストンの住宅のコスト予測と、MNIST桁認識のための2層ニューラルネットワークのトレーニングによって支援される。 結果は、クロスポイントアレイ内の物理計算、並列計算、アナログ計算のおかげで、1つの計算ステップで得られる。
  論文  参考訳（メタデータ） (2020-05-05T08:00:07Z)

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。