論文の概要: LITEWAY: LIghtweight HAR via Temporal Efficient highWAY

• arxiv url: http://arxiv.org/abs/2608.09421v1
• Date: Mon, 10 Aug 2026 10:49:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:37.212723
• Title: LITEWAY: LIghtweight HAR via Temporal Efficient highWAY
• Title（参考訳）: LITEWAY: 一時効率ハイウェイによるLIghtweight HAR
• Abstract要約: LITEWAYは、マルチチャネルセンサ時系列のモダリティに依存しない完全な畳み込みフレームワークである。 繰り返し時間モデリングを構造的畳み込み分解に置き換える。 Liteway は TinyHAR や TinierHAR と比較してモデルサイズを 4.06x-9.52x (Light) と 3.87x-9.07x (Full) に減らしながら競合するマクロ F1 を実現している。
• 参考スコア（独自算出の注目度）: 9.985135080494295
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Wearable human activity recognition (HAR) remains challenging due to the computational and energy constraints of deep learning models on resource-limited devices. Existing lightweight approaches often rely on recurrent architectures (e.g., GRU and LSTM), limiting parallelism and increasing inference latency. We propose LITEWAY, a modality-agnostic, fully convolutional framework for multichannel sensor time series that replaces recurrent temporal modeling with structured convolutional decomposition. LITEWAY combines lightweight convolutional blocks, strided temporal processing, and convolution-attention pooling to efficiently capture temporal dependencies while reducing computational complexity. We evaluate LITEWAY on 16 HAR datasets against TinyHAR, TinierHAR, and MLP-HAR. LITEWAY achieves competitive macro F1 while reducing model size by 4.06x-9.52x (Light) and 3.87x-9.07x (Full) compared with TinyHAR and TinierHAR. Deployment experiments further show energy reductions of 2.29x-3.14x (Light) and 1.46x-2.01x (Full) compared with TinierHAR and MLP-HAR, highlighting efficient fully convolutional temporal modeling for wearable HAR. The source code is publicly available at https://github.com/dominique-nshimyimana/liteway.
• Abstract（参考訳）: リソース制限されたデバイス上でのディープラーニングモデルの計算とエネルギーの制約により、ウェアラブルなヒューマンアクティビティ認識(HAR)は依然として困難である。 既存の軽量なアプローチは、リカレントアーキテクチャ(例えば、GRU、LSTM)に依存し、並列性を制限し、推論遅延を増大させる。 構造化畳み込み分解の繰り返し時間モデルに取って代わる,マルチチャネルセンサ時系列のモダリティに依存しない完全畳み込みフレームワークであるLITEWAYを提案する。 LITEWAYは、軽量な畳み込みブロック、ストライド時間処理、畳み込みアテンションプーリングを組み合わせて、計算複雑性を低減しつつ、時間的依存関係を効率的にキャプチャする。 我々は, TinyHAR, TinierHAR, MLP-HARに対して16のHARデータセット上でLITEWAYを評価する。 LITEWAY は TinyHAR や TinierHAR と比較してモデルサイズを 4.06x-9.52x (Light) と 3.87x-9.07x (Full) に減らしながら競合マクロ F1 を達成する。 展開実験により、TinierHAR や MLP-HAR と比較して 2.29x-3.14x (Light) と 1.46x-2.01x (Full) のエネルギー削減が示され、ウェアラブル HAR の効率的な完全畳み込み時間モデルが強調された。 ソースコードはhttps://github.com/dominique-nshimyimana/litewayで公開されている。

関連論文リスト

• ELiTeFormer: An Efficient Transformer for FPGAs [3.884894816711594]
  トランスフォーマーブロックは、大きな言語モデル(LLM)で広く使われているが、現在のデプロイメント課題である。 ELiTeFormerは,ハイブリッド線形アテンションと超低精度(3次)線形プロジェクションを一体化した最初のトランスフォーマーモデルである。
  論文  参考訳（メタデータ） (2026-07-04T00:52:06Z)
• BWTA: Accurate and Efficient Binarized Transformer by Algorithm-Hardware Co-design [71.97035034203275]
  バイナライゼーションにおけるゼロ点歪みを解析し,BWTA量子化方式を提案する。 本稿では,Smooth Multi-Stage Quantizationを提案し,レベルワイド・デグラデーション・ストラテジーとMagnitude Alignment Projection Factorを組み合わせた。 実験の結果、BWTAはTransformerベースのモデルに対して、GLUEでは平均3.5%、タスクでは2%未満の精度でフル精度のパフォーマンスにアプローチしていることがわかった。
  論文  参考訳（メタデータ） (2026-04-05T04:25:07Z)
• MicroBi-ConvLSTM: An Ultra-Lightweight Efficient Model for Human Activity Recognition on Resource Constrained Devices [0.0]
  リソース制約のあるウェアラブル上でのヒューマンアクティビティ認識(HAR)は、厳格なメモリと計算予算との精度のバランスをとるモデルを必要とする。 提案するMicroBi-ConvLSTMは, 平均11.4Kのパラメータを達成できる超軽量畳み込み並列アーキテクチャである。
  論文  参考訳（メタデータ） (2026-02-06T09:26:29Z)
• Memory-Efficient Acceleration of Block Low-Rank Foundation Models on Resource Constrained GPUs [11.45717904490388]
  トランスフォーマーベースの基盤モデルの最近の進歩は、多くのタスクのデフォルト選択となった。 その急速に成長するサイズは、単一のGPUに完全なモデルを適合させることがますます難しくなり、計算コストが禁じられる。 ブロック低ランク(BLR)圧縮技術は、重み行列のコンパクト表現を学習することでこの問題に対処する。
  論文  参考訳（メタデータ） (2025-12-24T00:41:13Z)
• TinierHAR: Towards Ultra-Lightweight Deep Learning Models for Efficient Human Activity Recognition on Edge Devices [3.6089782567449142]
  リソース制約のあるウェアラブルデバイス上でのヒューマンアクティビティ認識(HAR)は、精度と計算効率を調和させる推論モデルを必要とする。 本稿では,極軽量なディープラーニングアーキテクチャであるTinierHARについて紹介する。このアーキテクチャは,奥行きの深い分離可能な畳み込み,ゲート再帰ユニット(GRU),時間的アグリゲーションを相乗化することで,SOTA効率を向上する。
  論文  参考訳（メタデータ） (2025-07-10T17:33:52Z)
• 70% Size, 100% Accuracy: Lossless LLM Compression for Efficient GPU Inference via Dynamic-Length Float [52.079202872069835]
  大規模言語モデル(LLM)や拡散モデル(DM)といった大規模AIモデルは急速に成長している。 圧縮フレームワークであるDynamic-Length Float (DFloat11) を導入し, LLM と DM サイズを30%削減した。
  論文  参考訳（メタデータ） (2025-04-15T22:38:38Z)
• LaMamba-Diff: Linear-Time High-Fidelity Diffusion Models Based on Local Attention and Mamba [54.85262314960038]
  局所的意図的マンバブロックは、大域的コンテキストと局所的詳細の両方を線形複雑性でキャプチャする。 このモデルは, 256x256の解像度で, ImageNet上の様々なモデルスケールでDiTの性能を上回り, 優れたスケーラビリティを示す。 ImageNet 256x256 と 512x512 の最先端拡散モデルと比較すると,最大 62% GFLOP の削減など,我々の最大のモデルには顕著な利点がある。
  論文  参考訳（メタデータ） (2024-08-05T16:39:39Z)
• Enabling High-Sparsity Foundational Llama Models with Efficient Pretraining and Deployment [56.44025052765861]
  大規模言語モデル(LLM)は自然言語処理(NLP)に革命をもたらしたが、そのサイズは計算のボトルネックを生み出している。 そこで本研究では,高性能LLMの高精度かつ疎結合な基本バージョンを作成するための新しいアプローチを提案する。 スパース量子化LLaMAの最大8.6倍のCPU上での総高速化を示す。
  論文  参考訳（メタデータ） (2024-05-06T16:03:32Z)
• Multi-Temporal Convolutions for Human Action Recognition in Videos [83.43682368129072]
  複数の解像度で抽出できる新しい時間・時間的畳み込みブロックを提案する。 提案するブロックは軽量で,任意の3D-CNNアーキテクチャに統合可能である。
  論文  参考訳（メタデータ） (2020-11-08T10:40:26Z)
• FastLR: Non-Autoregressive Lipreading Model with Integrate-and-Fire [74.04394069262108]
  我々は,全てのターゲットトークンを同時に生成する非自己回帰(NAR)リップリーダーモデルであるFastLRを提案する。 FastLRは最先端のリップリーダーモデルと比較して10.97$times$のスピードアップを実現している。
  論文  参考訳（メタデータ） (2020-08-06T08:28:56Z)

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。