論文の概要: Enabling Cloud-Level Accuracy in Edge AI through IoT Data Preprocessing

• arxiv url: http://arxiv.org/abs/2606.22496v1
• Date: Sun, 21 Jun 2026 13:35:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 17:54:25.363043
• Title: Enabling Cloud-Level Accuracy in Edge AI through IoT Data Preprocessing
• Title（参考訳）: IoTデータ前処理によるエッジAIのクラウドレベル精度向上
• Authors: Aygün Varol, Katarzyna Kołodziej, Łukasz Sobczak, Michał Romaszewski, Przemysław Głomb, Naser Hossein Motlagh, Mirka Leino, Johanna Virkki,
• Abstract要約: 大規模言語モデル(LLM)は、IoT(Internet of Things)センサデータをスマート環境で解釈するための自然言語インターフェースを提供する。 しかし、クラウドデプロイメントにはレイテンシ、プライバシ、接続性の懸念が伴う。 本稿では, 環境モニタリングのためのローカルLLMの精度・言語トレードオフを改善するために, プロンプト側プリプロセッシングが有効か検討する。
• 参考スコア（独自算出の注目度）: 0.16863755729554886
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models (LLMs) offer a natural-language interface for interpreting Internet of Things (IoT) sensor data in smart environments; however, cloud deployment introduces latency, privacy, and connectivity concerns. Local LLMs can reduce these limitations, but compact edge-deployable models often show weaker numerical reasoning when raw sensor readings are provided directly. This paper investigates whether prompt-side preprocessing can improve the accuracy-latency trade-off of local LLMs for environmental monitoring. We propose a structured prompt construction framework that transforms raw air-quality and thermal-comfort measurements into progressively enriched textual representations: raw sensor values, threshold-aware descriptions, and compact environmental summary flags. The approach is evaluated using indoor Raspberry Pi/BME680 datasets from Tampere University and outdoor air-quality datasets from Helsinki, Katowice, and Warsaw. We construct a binary LLM query dataset covering air quality, thermal comfort, and joint environmental conditions, and evaluate five local and five cloud LLMs across three prompt variants and two inference modes, with and without chain-of-thought prompting. Results show that prompt enrichment substantially improves local-model accuracy. In No-CoT mode, local accuracy increases from 50.9% to 81.7% indoors and from 63.7% to 89.3% outdoors from the raw to the most enriched prompt. Local No-CoT inference is the fastest configuration, with mean latency close to 0.22 s, while CoT substantially increases inference time. These findings suggest that lightweight prompt-side preprocessing can narrow the local--cloud performance gap and support low-latency IoT analytics in smart environments.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、IoT(Internet of Things)センサデータをスマート環境で解釈するための自然言語インターフェースを提供する。 ローカルLSMはこれらの制限を軽減できるが、コンパクトなエッジ展開可能なモデルでは、センサーの読み出しを直接行うと、より弱い数値推論を示すことが多い。 本稿では,環境モニタリングのためのローカルLCMの精度・遅延トレードオフを改善するために,プロンプト側プリプロセッシングが有効かどうかを検討する。 本研究では, 大気質および熱快適度の測定値から, 生センサ値, しきい値を考慮した記述, コンパクトな環境サマリーフラグといった, 高度にリッチなテキスト表現へ変換する構造的プロンプト構築フレームワークを提案する。 このアプローチは、タンペレ大学の屋内Raspberry Pi/BME680データセットとヘルシンキ、カトウィツェ、ワルシャワの屋外空気質データセットを用いて評価されている。 大気質, 熱快適性, 共同環境条件を考慮した2成分式LLM問合せデータセットを構築し, 3つの急速変種および2つの推論モードにまたがる5つの局所および5つのクラウドLSMを, チェーン・オブ・インフォメーションなしで評価した。 その結果,プロンプトエンリッチメントは局所モデル精度を大幅に向上させることがわかった。 No-CoTモードでは、局所精度は50.9%から81.7%に向上し、生のプロンプトから最も濃縮されたプロンプトから63.7%から89.3%に向上する。 ローカルなNo-CoT推論は、平均遅延が0.22秒近くで、CoTは推論時間を大幅に増加させる。 これらの結果は、軽量なプロンプト側プリプロセッシングがローカル-クラウドのパフォーマンスギャップを狭め、スマート環境における低レイテンシIoT分析をサポートすることを示唆している。

関連論文リスト

• WISV: Wireless-Informed Semantic Verification for Distributed Speculative Decoding in Device-Edge LLM Inference [56.297697169678095]
  WISV(Wireless-Informed Semantic Verification)は、分散投機的復号化フレームワークである。 WISVは最大60.8%の許容長の増加、37.3%の対話ラウンドの削減、31.4%のエンドツーエンドレイテンシの改善を実現している。 NVIDIA Jetson AGX OrinとA40搭載サーバからなるハードウェアテストベッド上でWISVを検証する。
  論文  参考訳（メタデータ） (2026-04-20T01:29:56Z)
• From Indoor to Open World: Revealing the Spatial Reasoning Gap in MLLMs [65.04549036809557]
  我々は、ステレオカメラ、LiDAR、IMU/GPSセンサーで撮影された歩行者の視線映像から構築したベンチマークを紹介する。 このデータセットは、計量的に正確な3D情報を提供し、空間的推論質問の自動生成を可能にする。 評価の結果、構造化屋内ベンチマークで観測された性能向上は、オープンワールド環境では消滅することが明らかとなった。
  論文  参考訳（メタデータ） (2025-12-22T18:58:12Z)
• Vehicle-Scene Interaction: A Text-Driven 3D Lidar Place Recognition Method for Autonomous Driving [8.201722651307145]
  Des4Posは、新しい2段階のテキスト駆動型リモートセンシングローカライゼーションフレームワークである。 トップ1の精度は40%、トップ10の精度は半径5mの閾値で77%に達する。 KITTI360Poseテストセットの実験では、テキスト・ツー・ポイント・クラウドの場所認識におけるDes4Posの最先端性能が実証された。
  論文  参考訳（メタデータ） (2025-03-23T11:36:19Z)
• LightLLM: A Versatile Large Language Model for Predictive Light Sensing [15.253002465484355]
  LightLLMは、光ベースのセンシングタスクのための訓練済みの大規模言語モデル(LLM)を微調整するモデルである。 センサーデータエンコーダを統合して、重要な特徴を抽出し、環境情報を提供するためのコンテキストプロンプトと、これらの入力を統一された表現に結合する融合層を統合する。 光による局所化,屋外日射予測,室内日射推定の3つのタスクにLightLLMを実装した。
  論文  参考訳（メタデータ） (2024-11-20T11:37:33Z)
• Comparison of edge computing methods in Internet of Things architectures for efficient estimation of indoor environmental parameters with Machine Learning [0.0]
  室内環境品質(IEQ)パラメータを推定する軽量機械学習モデルを提案する。 その実装は、集中化された分散並列IoTアーキテクチャに基づいており、無線で接続されている。 MLモデルのトレーニングとテストは、小さな温度と照度データセットに焦点を当てた実験によって達成される。
  論文  参考訳（メタデータ） (2024-02-07T21:15:18Z)
• Environmental Sensor Placement with Convolutional Gaussian Neural Processes [65.13973319334625]
  センサーは、特に南極のような遠隔地において、その測定の情報量が最大になるように配置することは困難である。 確率論的機械学習モデルは、予測の不確実性を最大限に低減するサイトを見つけることによって、情報的センサ配置を提案することができる。 本稿では,これらの問題に対処するために,畳み込み型ガウスニューラルプロセス(ConvGNP)を提案する。
  論文  参考訳（メタデータ） (2022-11-18T17:25:14Z)
• Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
  ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。 降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
  論文  参考訳（メタデータ） (2021-07-14T21:10:47Z)
• Bridging the Gap Between Clean Data Training and Real-World Inference for Spoken Language Understanding [76.89426311082927]
  既存のモデルはクリーンデータに基づいてトレーニングされ、クリーンデータトレーニングと現実世界の推論の間にtextitgapが発生する。 本稿では,良質なサンプルと低品質のサンプルの両方が類似ベクトル空間に埋め込まれた領域適応法を提案する。 広く使用されているデータセット、スニップス、および大規模な社内データセット(1000万のトレーニング例)に関する実験では、この方法は実世界の(騒々しい)コーパスのベースラインモデルを上回るだけでなく、堅牢性、すなわち、騒々しい環境下で高品質の結果を生み出すことを実証しています。
  論文  参考訳（メタデータ） (2021-04-13T17:54:33Z)

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。