論文の概要: Tiny Machine-Learning Operations within Cyber-Physical Systems: a Field Study

• arxiv url: http://arxiv.org/abs/2606.20952v1
• Date: Thu, 18 Jun 2026 21:34:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 11:39:27.570724
• Title: Tiny Machine-Learning Operations within Cyber-Physical Systems: a Field Study
• Title（参考訳）: サイバー物理システムにおけるTiny Machine-Learningオペレーション:フィールドスタディ
• Authors: Filippo Scaramuzza, Damian A. Tamburri,
• Abstract要約: エンドツーエンドで知識中心のTinyMLOpsパイプラインを報告し、ドメイン物理学、専門家の推測、センサーストリームを融合させます。 2つのオフショア・ウインド・ケーブル・レンチング・キャンペーンから4.4GBのデータで評価した。 我々は、CPSで信頼できるTinyMLOpsのエンジニアリングレッスンと脅威を抽出し、妥当性をサポートするためにコードと注釈付きデータセットをリリースする。
• 参考スコア（独自算出の注目度）: 0.9645899225858455
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine-Learning Operations (MLOps) is maturing into a software-engineering discipline, yet its tiny-scale variant (TinyMLOps)-targeting the resource-constrained microcontrollers embedded in cyber-physical systems (CPS)-remains poorly understood in industrial practice. Opaque models, noisy heterogeneous data, and tight memory budgets hinder adoption in safety-critical settings, where most decisions still rely on human experts. We report a field study of an end-to-end, knowledge-centered TinyMLOps pipeline that fuses domain physics, expert speculation, and sensor streams to deliver explainable, low-footprint models deployable on-device. The pipeline spans automated collection and cleaning of heterogeneous time series, knowledge-driven feature construction, interpretable regularized models, and rolling temporal cross-validation under concept drift. We evaluate it on 4.4 GB of data from two offshore-wind cable-trenching campaigns. The classifier anticipates harmful load peaks up to three minutes ahead at 0.84 AUC within a 32 kB footprint on an ARM Cortex-M4; an ablation shows that injecting prior knowledge halves false alarms and surfaces actionable operational rules. Replaying recommendations in operational dashboards indicates an 11% reduction in non-productive time. We distill engineering lessons and validity threats for trustworthy TinyMLOps in CPS, and release code and an annotated dataset to support reproducibility.
• Abstract（参考訳）: 機械学習オペレーション(MLOps)は、ソフトウェアエンジニアリングの分野に成熟しているが、その小さなスケールのバリエーション(TinyMLOps)は、サイバー物理システム(CPS)に組み込まれたリソース制約されたマイクロコントローラをターゲットとしている。 不透明なモデル、ノイズの多い異種データ、厳密なメモリ予算は、安全クリティカルな設定の採用を妨げる。 我々は、ドメイン物理学、専門家の推測、センサーストリームを融合させ、デバイス上でデプロイ可能な説明可能な低フットプリントモデルを提供する、エンドツーエンドの知識中心のTinyMLOpsパイプラインのフィールドスタディを報告する。 パイプラインは、異種時系列の自動収集とクリーニング、知識駆動型特徴構築、解釈可能な正規化モデル、コンセプトドリフト下での時空クロスバリデーションにまたがる。 2つのオフショア・ウインド・ケーブル・レンチング・キャンペーンから4.4GBのデータで評価した。 分類器は、ARM Cortex-M4の32kBのフットプリント内において、有害な負荷が最大3分前、0.84AUCでピークを予測している。 運用ダッシュボードでのレコメンデーションの再生は、非生産時間の11%削減を示している。 我々は、CPSで信頼できるTinyMLOpsのエンジニアリングレッスンと妥当性の脅威を抽出し、再現性をサポートするためのコードと注釈付きデータセットをリリースする。

関連論文リスト

• TinyML-Driven Cybersecurity for Autonomous Spacecraft: Latency-Accuracy Analysis for SPARTA RF and Cyber Threat Detection [0.6372261626436676]
  自律型宇宙船は、高速で軽量で信頼性の高いサイバーRF脅威の検出を必要とする。 SPARTABurstモデルを用いて、TinyML互換の古典モデルの遅延精度トレードオフを分析する。 その結果、ロジスティック回帰はランダムフォレストと比較して1%の精度低下しか達成せず、オンボード自律性のための効果的なTinyMLベースラインとなっている。
  論文  参考訳（メタデータ） (2026-06-04T07:08:28Z)
• RePAIR: Interactive Machine Unlearning through Prompt-Aware Model Repair [1.7118181664522618]
  大規模言語モデル(LLM)は、大規模ウェブコーパスでの事前学習において、有害な知識、誤情報、個人データを本質的に吸収する。 対話型機械学習(Interactive Machine Unlearning, IMU)は,LLMに推論時に自然言語で目的とする知識を忘れるように指示する新しいパラダイムである。 RePAIR は (i) 学習意図検出のための監視犬モデル, (ii) 修復手順を生成する外科医モデル, (iii) パラメータを自律的に更新する患者モデルから構成される。
  論文  参考訳（メタデータ） (2026-04-14T14:44:45Z)
• FORGE: Fine-grained Multimodal Evaluation for Manufacturing Scenarios [58.34124792457706]
  製造業セクターは、単純な認識から自律的な実行に移行するために、MLLM(Multimodal Large Language Models)をますます採用している。 進捗は、データの不足と、既存のデータセットにおけるきめ細かいドメインセマンティクスの欠如によって妨げられている。 まず、実世界の2D画像と3Dポイントクラウドを組み合わせて、微粒なドメインセマンティクスを付加した高品質なデータセットを構築します。 次に, 3 つの製造課題,すなわち, 構造面検査, 組立検査, 組立検証の18の最先端MLLMを評価し, 大幅な性能差を明らかにした。
  論文  参考訳（メタデータ） (2026-04-08T12:23:27Z)
• Fully Autonomous Z-Score-Based TinyML Anomaly Detection on Resource-Constrained MCUs Using Power Side-Channel Data [0.13750624267664155]
  本稿では,低消費電力マイクロコントローラに実装した完全自律型Tiny Machine Learning (TinyML) Z-Scoreによる異常検出システムを提案する。 異常は軽量なZスコアしきい値を用いて検出され、組み込み配置に適した解釈可能かつ計算効率の良い推論が可能である。 結果は、精度1.00の精度とリコール、数十マイクロ秒の推論レイテンシ、メモリフットプリント全体の約3.3KBと63KBのフラッシュの完全な検出性能を示す。
  論文  参考訳（メタデータ） (2026-03-28T20:15:50Z)
• Beyond Reward Suppression: Reshaping Steganographic Communication Protocols in MARL via Dynamic Representational Circuit Breaking [0.0]
  監視を回避するためのプライベートプロトコルを開発するエージェントによるステガノグラフィーの共謀は、AIの安全性に重大な脅威をもたらす。 既存の防御は行動層や報酬層に限られており、潜伏する通信路での調整を検知できない。 本稿では,動的表現回路ブレーカ(DRCB)について紹介する。
  論文  参考訳（メタデータ） (2026-03-07T04:14:38Z)
• From Physics to Machine Learning and Back: Part II - Learning and Observational Bias in PHM [52.64097278841485]
  物理インフォームドモデリングとデータストラテジーによる学習と観察バイアスの導入は、モデルを物理的に一貫した信頼性のある予測へと導くことができるかを検討する。 メタラーニングや少数ショットラーニングなどの高速適応手法をドメイン一般化手法とともに検討する。
  論文  参考訳（メタデータ） (2025-09-25T14:15:43Z)
• 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)
• Assurance Monitoring of Learning Enabled Cyber-Physical Systems Using Inductive Conformal Prediction based on Distance Learning [2.66512000865131]
  本稿では,学習可能なサイバー物理システムの保証監視手法を提案する。 リアルタイムの保証監視を可能にするため,高次元入力を低次元埋め込み表現に変換するために距離学習を用いる。 壁面認識,話者認識,交通信号認識の3つの移動ロボットを用いて,そのアプローチを実証する。
  論文  参考訳（メタデータ） (2021-10-07T00:21:45Z)
• Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for Online Collision Avoidance [95.86944752753564]
  本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。 我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。 本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
  論文  参考訳（メタデータ） (2020-07-28T07:34:30Z)
• A Privacy-Preserving-Oriented DNN Pruning and Mobile Acceleration Framework [56.57225686288006]
  モバイルエッジデバイスの限られたストレージとコンピューティング能力を満たすために、ディープニューラルネットワーク(DNN)の軽量プルーニングが提案されている。 従来のプルーニング手法は主に、ユーザデータのプライバシを考慮せずに、モデルのサイズを減らしたり、パフォーマンスを向上させることに重点を置いていた。 プライベートトレーニングデータセットを必要としないプライバシ保護指向のプルーニングおよびモバイルアクセラレーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-13T23:52:03Z)

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。