Fugu-MT 論文翻訳(概要): Design-Time Optimization of Deep Neural Networks for Intermittent Learning on Microcontrollers

論文の概要: Design-Time Optimization of Deep Neural Networks for Intermittent Learning on Microcontrollers

arxiv url: http://arxiv.org/abs/2608.03589v1
Date: Tue, 04 Aug 2026 12:43:19 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-05 15:30:23.192748
Title: Design-Time Optimization of Deep Neural Networks for Intermittent Learning on Microcontrollers
Title（参考訳）: マイクロコントローラにおける間欠学習のためのディープニューラルネットワークの設計-時間最適化
Abstract要約: マイクロコントローラユニット(MCU)における断続的,エネルギー自律的,オンデバイス学習のためのディープニューラルネットワーク(DNN)の設計法を提案する。提案手法は,ハードウェア対応エネルギー予測モデルと多目的最適化(MOO)を組み合わせたものである。我々はCortex-M4 MCUの異常検出にオートエンコーダを用いてアプローチを検証する。
参考スコア（独自算出の注目度）: 2.085885976548515
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We present a method for designing deep neural networks (DNNs) for intermittent, energy-autonomous, on-device learning on microcontroller units (MCUs). In mobile applications where the energy can run out, e.g., when solar-powered, executing artificial intelligence (AI) faces a technical issue as learning can be interrupted at any time. Our approach combines a hardware-aware energy prediction model with multi-objective optimization (MOO), enabling offline DNN optimization at the design stage without repeated deployment and online testing on the target MCU. Our proposed energy predictor estimates per-layer energy consumption for both DNN inference and training, including the intermittent checkpointing overhead, based on implementation-specific compute and memory features extracted from the DNN model. We validate our approach using autoencoders for anomaly detection on a Cortex-M4 MCU, where our predictor achieves a weighted absolute percentage error of 16.6%, which is sufficient for reliable architecture selection under intermittency constraints. As a result, this work bridges the gap between MOO, automated DNN design, deployment on energy-harvesting systems, and intermittent learning, truly enabling autonomous AI at the edge.
Abstract（参考訳）: 本稿では,マイクロコントローラユニット(MCU)を用いた断続的,エネルギー自律的,オンデバイス学習のためのディープニューラルネットワーク(DNN)の設計手法を提案する。エネルギーが尽きるモバイルアプリケーションでは、例えば、ソーラーパワーで人工知能(AI)を実行する場合、いつでも学習を中断できるため、技術的な問題に直面します。提案手法は,マルチオブジェクト最適化(MOO)とハードウェア対応エネルギー予測モデルを組み合わせることで,設計段階でのオフラインDNN最適化を実現する。提案したエネルギー予測器は、DNNモデルから抽出した実装固有の計算とメモリの特徴に基づいて、断続的なチェックポイントのオーバーヘッドを含む、DNN推論とトレーニングの両方の層当たりのエネルギー消費を推定する。我々は,Cortex-M4 MCUにおける異常検出のためのオートエンコーダを用いた手法の有効性を検証する。その結果、この作業はMOO、自動DNN設計、省エネシステムへのデプロイ、断続的な学習のギャップを埋め、真にエッジでの自律AIの実現を可能にします。

関連論文リスト

End-to-End Radar and Communication Modulation Recognition with Neuromorphic Computing [6.337436892263095]
本稿では,ニューロモルフィックハードウェアの制約にスパイク駆動型トランスフォーマーを適用し,自動変調認識のための終端スパイキング神経ネットワーク(SNN)アーキテクチャを提案する。このモデルでは,3090 GPU や Orin NX と比較して最大5倍の消費電力削減を実現している。
論文参考訳（メタデータ） (2026-06-23T02:39:57Z)
Embedded FPGA Acceleration of Brain-Like Neural Networks: Online Learning to Scalable Inference [0.0]
高レベル合成を用いた Zynq UltraScale+ システム上で,BCPNN 用の最初の FPGA アクセラレータを提案する。私たちのアクセラレータは、ARMベースライン上で最大17.5倍のレイテンシと94%の省エネを実現しています。この作業により、エッジデバイス上での実用的なニューロモーフィックコンピューティングが可能になり、脳に似た学習と現実世界のデプロイメントのギャップを埋める。
論文参考訳（メタデータ） (2025-06-23T11:35:20Z)
Energy-Aware FPGA Implementation of Spiking Neural Network with LIF Neurons [0.5243460995467893]
スパイキングニューラルネットワーク(SNN)は、TinyMLの最先端ソリューションとして際立っている。本稿では,第1次Leaky Integrate-and-Fire(LIF)ニューロンモデルに基づく新しいSNNアーキテクチャを提案する。ハードウェアフレンドリーなLIF設計も提案され、Xilinx Artix-7 FPGA上で実装されている。
論文参考訳（メタデータ） (2024-11-03T16:42:10Z)
DNN Partitioning, Task Offloading, and Resource Allocation in Dynamic Vehicular Networks: A Lyapunov-Guided Diffusion-Based Reinforcement Learning Approach [49.56404236394601]
本稿では,Vehicular Edge Computingにおける共同DNNパーティショニング,タスクオフロード,リソース割り当ての問題を定式化する。我々の目標は、時間とともにシステムの安定性を保証しながら、DNNベースのタスク完了時間を最小化することである。拡散モデルの革新的利用を取り入れたマルチエージェント拡散に基づく深層強化学習(MAD2RL)アルゴリズムを提案する。
論文参考訳（メタデータ） (2024-06-11T06:31:03Z)
A Multi-Head Ensemble Multi-Task Learning Approach for Dynamical Computation Offloading [62.34538208323411]
共有バックボーンと複数の予測ヘッド(PH)を組み合わせたマルチヘッドマルチタスク学習(MEMTL)手法を提案する。 MEMTLは、追加のトレーニングデータを必要とせず、推測精度と平均平方誤差の両方でベンチマーク手法より優れている。
論文参考訳（メタデータ） (2023-09-02T11:01:16Z)
Intelligence Processing Units Accelerate Neuromorphic Learning [52.952192990802345]
スパイキングニューラルネットワーク(SNN)は、エネルギー消費と遅延の観点から、桁違いに改善されている。我々は、カスタムSNN PythonパッケージsnnTorchのIPU最適化リリースを提示する。
論文参考訳（メタデータ） (2022-11-19T15:44:08Z)
LaneSNNs: Spiking Neural Networks for Lane Detection on the Loihi Neuromorphic Processor [12.47874622269824]
我々は、イベントベースのカメラ入力を用いて、道路にマークされた車線を検出するための新しいSNNベースのアプローチであるLaneSNNを提案する。我々は、学習したSNNモデルをIntel Loihi Neuromorphic Research Chipに実装し、マッピングする。損失関数に対して,重み付き二元交叉エントロピー(WCE)と平均二乗誤差(MSE)の線形合成に基づく新しい手法を開発した。
論文参考訳（メタデータ） (2022-08-03T14:51:15Z)
YONO: Modeling Multiple Heterogeneous Neural Networks on Microcontrollers [10.420617367363047]
YONOは製品量子化(PQ)ベースのアプローチで、複数の異種モデルを圧縮し、インメモリモデルの実行と切り替えを可能にする。 YONOは、複数の異種モデルを無視できるか、または12.37$times$まで精度を損なわないで圧縮できるので、優れた性能を示している。
論文参考訳（メタデータ） (2022-03-08T01:24:36Z)
Computational Intelligence and Deep Learning for Next-Generation Edge-Enabled Industrial IoT [51.68933585002123]
エッジ対応産業用IoTネットワークにおける計算知能とディープラーニング(DL)の展開方法について検討する。本稿では,新しいマルチエグジットベースフェデレーションエッジ学習(ME-FEEL)フレームワークを提案する。特に、提案されたME-FEELは、非常に限られたリソースを持つ産業用IoTネットワークにおいて、最大32.7%の精度を達成することができる。
論文参考訳（メタデータ） (2021-10-28T08:14:57Z)
Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge Computing: A Contextual-Bandit Approach [81.5261621619557]
階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
論文参考訳（メタデータ） (2021-08-09T08:45:47Z)
Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
論文参考訳（メタデータ） (2020-01-10T05:29:17Z)

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。