論文の概要: SCENIC: Semantic-Conditioned Edge-Aware Neural Framework for Structured IoT Command Generation

• arxiv url: http://arxiv.org/abs/2606.22296v1
• Date: Sun, 21 Jun 2026 01:41:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 19:21:32.884127
• Title: SCENIC: Semantic-Conditioned Edge-Aware Neural Framework for Structured IoT Command Generation
• Title（参考訳）: SCENIC: 構造化IoTコマンド生成のためのセマンティックなエッジ対応ニューラルネットワークフレームワーク
• Authors: Luke Ztz Hu, Hongbing Lang, Songping Mai,
• Abstract要約: Edge Internet of Things(IoT)エージェントは、メモリ容量、プライバシ要件、通信遅延、繰り返し発生する推論コストによって制約されることが多い。 現在のスマートホームアシスタントは、APIレベルのコマンドインターフェースや、エッジデバイスへのデプロイが困難なクラウドベースの言語モデルに依存していることが多い。 本稿では,複数の自然言語命令を同じ標準コマンド文字列にマップしてスマートホーム解析を行う,多対一の構造化出力タスクとしてエッジIoTコマンド生成に対処する。
• 参考スコア（独自算出の注目度）: 1.0195618602298682
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Edge Internet of Things (IoT) agents are often constrained by memory capacity, privacy requirements, communication latency, and recurring inference cost. Current smart-home assistants commonly rely on API-level command interfaces or cloud-based language models that remain difficult to deploy on edge devices. This paper addresses edge IoT command generation as a many-to-one structured output task, where multiple natural-language instructions map to the same canonical command string for deterministic smart-home parsing. To support this setting, we propose Semantic-Conditioned Edge-Aware Neural Framework for Structured IoT Command Generation (SCENIC), an end-to-end framework covering model architecture selection, Smart Home Instruct data generation, triplet-loss contrastive supervised fine-tuning, pruning and quantization, and deployment-oriented export. We evaluate sub-0.2B-scale transformer backbones, which are, to the best of our knowledge, among the smallest language-model backbones studied for edge IoT structured command generation. On Smart Home Instruct-Bench, the strongest dense decoder-only row reaches 99.0% EM@1, while the encoder-decoder model retains stronger high-sparsity behavior. A representative pruned INT8 encoder-decoder export preserves 91.0% EM@1 and 99.0% EM@5 while reducing exported model size by 25.38%. TensorRT profiling of the NVIDIA 2:4 sparse encoder export further shows up to 1.8x encoder-component speedup, indicating that the selected encoder-decoder deployment path can retain structured command accuracy under edge-oriented compression while hardware acceleration evidence remains component-level. The SCENIC code and experimental artifacts are open sourced to support reproducibility.
• Abstract（参考訳）: Edge Internet of Things(IoT)エージェントは、メモリ容量、プライバシ要件、通信遅延、繰り返し発生する推論コストによって制約されることが多い。 現在のスマートホームアシスタントは、APIレベルのコマンドインターフェースや、エッジデバイスへのデプロイが困難なクラウドベースの言語モデルに依存していることが多い。 本稿では,複数の自然言語命令を同じ標準コマンド文字列にマップして決定論的スマートホーム解析を行う,多対一の構造化出力タスクとしてエッジIoTコマンド生成に対処する。 この設定をサポートするために、モデルアーキテクチャの選択、スマートホームインストラクションデータ生成、トリプレットロスコントラストによる微調整、プルーニングと量子化、デプロイメント指向エクスポートをカバーするエンドツーエンドフレームワークであるSemantic-Conditioned Edge-Aware Neural Framework for Structured IoT Command Generation (SCENIC)を提案する。 我々は、エッジIoT構造化コマンド生成のための最小の言語モデルバックボーンのうち、0.2B未満のトランスフォーマーバックボーンの評価を行った。 Smart Home Instruct-Benchでは、高密度デコーダのみの行が99.0% EM@1に到達し、エンコーダ-デコーダモデルはより高スパーシティな振る舞いを保持する。 代表的プルーニングされたINT8エンコーダ-デコーダ輸出は、91.0% EM@1と99.0% EM@5を保存し、輸出されたモデルサイズを25.38%削減する。 NVIDIA 2:4スパースエンコーダエクスポートのTensorRTプロファイリングはさらに1.8xエンコーダ成分のスピードアップを示し、選択されたエンコーダ/デコーダデプロイメントパスが、ハードウェアアクセラレーションエビデンスをコンポーネントレベルに保ちながら、エッジ指向圧縮の下で構造化されたコマンド精度を維持することができることを示している。 SCENICのコードと実験的な成果物は再現性をサポートするためにオープンソース化されている。

関連論文リスト

• Hardware-Aware Neural Feature Extraction for Resource-Constrained Devices [3.3898825803029067]
  我々は、リソース制約のあるデバイスのためのハードウェア対応のニューラル特徴抽出器であるGideonを紹介する。 ギデオンは1.5MBのメモリフットプリント以下で9.003msの推論時間を達成する。 Batch Normalizationをアフィン層に置き換えるなどのアーキテクチャ上の選択はINT8の堅牢性を大幅に向上させることを示す。
  論文  参考訳（メタデータ） (2026-05-05T20:32:00Z)
• OneDrive: Unified Multi-Paradigm Driving with Vision-Language-Action Models [69.2503510410147]
  予め訓練されたVLM上に構築した統合自動運転フレームワークを提案する。 トレーニング済みのVLMアテンションは、純粋言語モデリング以上の強い伝達性を示すことを示す。 エンドツーエンドの自動運転ベンチマークの実験は、最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2026-04-20T07:50:00Z)
• CoSense-LLM: Semantics at the Edge with Cost- and Uncertainty-Aware Cloud-Edge Cooperation [0.0]
  CoSense-LLMは、連続したマルチモーダルセンサストリームをコンパクトなセマンティックトークンに変換するエッジファーストフレームワークである。 システムは、ページ化またはストリーミングKVキャッシュ、Flashスタイルのカーネル、投機的復号化、量子化されたLoRAアダプタなど、モダンなサービス最適化で動作する。
  論文  参考訳（メタデータ） (2025-10-22T15:16:56Z)
• Re-Densification Meets Cross-Scale Propagation: Real-Time Neural Compression of LiDAR Point Clouds [83.39320394656855]
  LiDARポイントクラウドは、様々なアプリケーションに基本的だが、高精度スキャンは、かなりのストレージと送信オーバーヘッドを発生させる。 既存の手法では、非順序の点を階層的なオクツリーやボクセル構造に変換して、密度から疎い予測符号化を行うのが一般的である。 筆者らのフレームワークは2つの軽量モジュールから構成されている。まず、Geometry Re-Densification Moduleがエンコードされたスパース幾何を再認識し、より密なスケールで特徴を抽出し、予測符号化のための特徴を再分離する。
  論文  参考訳（メタデータ） (2025-08-28T06:36:10Z)
• Edge AI-based Radio Frequency Fingerprinting for IoT Networks [0.0]
  暗号は、小さなフットプリントのリソース制限されたデバイス(つまりIoT)に対して、しばしばリソース集約的である。 RFF(Radio Frequency Fingerprinting)は、暗号化ソリューションに頼ることなく、有望な認証手段を提供する。 リソース制約のあるデバイスに適した、非常に軽量なEdge AIベースのRFFスキームを2つ導入する。
  論文  参考訳（メタデータ） (2024-12-13T20:55:10Z)
• Lightweight Neural Architecture Search for Temporal Convolutional Networks at the Edge [21.72253397805102]
  この研究は特に、時系列処理のための畳み込みモデルであるTCN(Temporal Convolutional Networks)に焦点を当てている。 我々は,TNの最も特異なアーキテクチャパラメータの最適化を明示的に目標とする最初のNASツールを提案する。 提案したNASは,音声および生体信号を含む4つの実世界のエッジ関連タスクでテストする。
  論文  参考訳（メタデータ） (2023-01-24T19:47:40Z)
• An Adaptive Device-Edge Co-Inference Framework Based on Soft Actor-Critic [72.35307086274912]
  高次元パラメータモデルと大規模数学的計算は、特にIoT(Internet of Things)デバイスにおける実行効率を制限する。 本稿では,ソフトポリシーの繰り返しによるエフェキシット点,エフェキシット点,エンフェキシット点を生成する離散的(SAC-d)のための新しい深層強化学習(DRL)-ソフトアクタ批判法を提案する。 レイテンシと精度を意識した報酬設計に基づいて、そのような計算は動的無線チャンネルや任意の処理のような複雑な環境によく適応でき、5G URLをサポートすることができる。
  論文  参考訳（メタデータ） (2022-01-09T09:31:50Z)
• PatDNN: Achieving Real-Time DNN Execution on Mobile Devices with Pattern-based Weight Pruning [57.20262984116752]
  粗粒構造の内部に新しい次元、きめ細かなプルーニングパターンを導入し、これまで知られていなかった設計空間の点を明らかにした。 きめ細かいプルーニングパターンによって高い精度が実現されているため、コンパイラを使ってハードウェア効率を向上し、保証することがユニークな洞察である。
  論文  参考訳（メタデータ） (2020-01-01T04:52:07Z)

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。