Fugu-MT 論文翻訳(概要): Low-Power, Neuromorphic, Acoustic Anomaly Detection for Persistent Machine Monitoring

論文の概要: Low-Power, Neuromorphic, Acoustic Anomaly Detection for Persistent Machine Monitoring

arxiv url: http://arxiv.org/abs/2608.18341v1
Date: Tue, 18 Aug 2026 21:46:11 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-20 20:13:55.223042
Title: Low-Power, Neuromorphic, Acoustic Anomaly Detection for Persistent Machine Monitoring
Title（参考訳）: 永久機械モニタリングのための低出力・ニューロモルフィック・音響異常検出
Abstract要約: クリーンでノイズの多い条件下で,Intel Loihi 2プロセッサ上でのオートエンコーダによる音響異常検出を実演する。結果は、低消費電力のサンプルオーダーマシン監視の実用的な候補として、ニューロモルフィック音響異常検出の両方をサポートする。
参考スコア（独自算出の注目度）: 0.5586300501966862
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Persistent acoustic monitoring can detect machine faults without physical contact, but always-on inference is constrained by power, latency, and deployment complexity. We demonstrate autoencoder-based acoustic anomaly detection on an Intel Loihi 2 neuromorphic processor under clean and noisy conditions. Log-mel features are computed off chip; normalization, autoencoder inference, L1 reconstruction scoring, and thresholding run on chip. In a clean, microphone-position-invariant ToyADMOS ToyCar benchmark, the on-chip model achieves 0.9959 AUC and 0.9785 standardized pAUC at maximum false-positive rate 0.1. In the DCASE 2026 Task 2 ToyCar noisy benchmark, the model achieves source AUC 0.7990, target AUC 0.6466, and pAUC 0.6426, exceeding reported baseline metrics. Power profiling on a 16-chip Loihi 2 VPX system shows real-time throughput with 0.0406$\unicode{x2013}$0.0426 mJ dynamic energy per sample, two orders of magnitude lower than both a CPU and GPU. These results support neuromorphic acoustic anomaly detection as a practical candidate for low-power, persistent machine monitoring.
Abstract（参考訳）: 永続的な音響モニタリングは物理的接触なしにマシンの故障を検出することができるが、常時オンの推論はパワー、レイテンシ、デプロイメントの複雑さによって制約される。クリーンでノイズの多い条件下で、Intel Loihi 2ニューロモルフィックプロセッサ上でのオートエンコーダによる音響異常検出を実証する。ログメル機能は、正規化、オートエンコーダ推論、L1再構成スコアリング、チップ上でのしきい値実行など、チップ外で計算される。クリーンなマイクロホンポジション不変のToyADMOS ToyCarベンチマークでは、オンチップモデルは最大偽陽性率0.1で0.9959 AUCと0.9785の標準化されたpAUCを達成した。 DCASE 2026 Task 2 ToyCar noisyベンチマークでは、このモデルはソースAUC 0.7990、ターゲットAUC 0.6466、およびpAUC 0.6426を達成する。 16チップのLoihi 2 VPXシステム上でのパワープロファイリングは、サンプルあたり0.0406$\unicode{x2013}$0.0426 mJの動的エネルギでリアルタイムスループットを示し、CPUとGPUのどちらよりも2桁低い。これらの結果は,低消費電力・持続的機械モニタリングの実用的候補としてニューロモルフィック音響異常検出を支援する。

関連論文リスト

BGA: A noise-immune neural distillation framework for malicious signature extraction in high-entropy encrypted flows [12.604432348059133]
本稿では,暗号化脅威知能のための雑音免疫型ニューラル蒸留フレームワークであるBGAを提案する。このアーキテクチャは、双方向長期記憶(Bidirectional Long-Term Memory, BiLSTM)とアダプティブGated Multi-Head Attention機構を統合している。 CIC-IDS-2018とEdge-IIoTベンチマークの大規模な評価では、すべての主要なメトリクスでパフォーマンスの上限が9レイテンシを超えることが示されている。
論文参考訳（メタデータ） (2026-08-14T09:33:16Z)
ArrythML: An Autoencoder-Based TinyML Approach for On-Device Arrhythmia Detection on Resource-Constrained Embedded Systems [0.14732811715354452]
本稿では,Tiny Machine Learning(TinyML)モデルを用いたECGセグメンテーションと不整脈検出の手法を提案する。これらのモデルは、MIT-BIH Arrhythmia Databaseから派生したカスタムデータセットを用いて評価され、PCベースのシミュレーションとオンデバイス環境の両方で検証される。
論文参考訳（メタデータ） (2026-06-01T13:43:30Z)
UTOPYA: A Multimodal Deep Learning Framework for Physics-Informed Anomaly Detection and Time-Series Prediction [42.532335022354545]
バッチプロセスにおける異常検出は、過渡的ダイナミクス、欠陥ラベルの不足、単一モードセンサデータへの依存によって妨げられる。本研究は, バッチ蒸留における異常検出, 時系列予測, 位相分類を共同で扱うマルチモーダルフレームワークUTOPYAを紹介する。本研究で導入された物理インフォームド正規化スキームは、時間的滑らかさと熱力学的モノトニクスを強制する。
論文参考訳（メタデータ） (2026-05-18T10:28:15Z)
Mixed-Precision Information Bottlenecks for On-Device Trait-State Disentanglement in Bipolar Agitation Detection [3.252472808549431]
MP-IBは、臨床特性状態分離のための情報ボトルネックとして、混合精度量子化を扱う最初のフレームワークである。 Bridge2AI-Voice (N=833, 4セッション/参加者, 厳密な話者非依存CV), MPIB rho = 0.117 (95% CI: [0.089, 0.145 vs. chance], p3 vs. chance)についてエンドツーエンドのレイテンシは23.4ミリ秒で、フットプリントは617KBで、20ドル以下のデバイスでリアルタイム監視が可能である。
論文参考訳（メタデータ） (2026-05-04T18:06:17Z)
StrikeWatch: Wrist-worn Gait Recognition with Compact Time-series Models on Low-power FPGAs [10.946464973530214]
歩行パターンが良くなると、特に専門家のフィードバックなしに怪我につながることがある。 Wrist-wornウェアラブルは、実用的で非侵襲的な代替手段を提供する。本稿では,デバイス上でリアルタイム歩行認識を行う小型手首輪システムであるStrikeWatchを紹介する。
論文参考訳（メタデータ） (2025-10-14T20:28:31Z)
Neuro-MSBG: An End-to-End Neural Model for Hearing Loss Simulation [29.459592567418913]
Neuro-MSBGは、効率的な時間周波数モデリングのためのパーソナライズされたオーディオグラムエンコーダを備えた軽量なエンドツーエンドモデルである。シミュレーションランタイムを46(1秒入力で0.970秒から0.021秒に短縮する。
論文参考訳（メタデータ） (2025-07-21T08:58:31Z)
Consistency Trajectory Models: Learning Probability Flow ODE Trajectory of Diffusion [56.38386580040991]
Consistency Trajectory Model (CTM) は Consistency Models (CM) の一般化である CTMは、対戦訓練とスコアマッチング損失を効果的に組み合わせることで、パフォーマンスを向上させる。 CMとは異なり、CTMのスコア関数へのアクセスは、確立された制御可能/条件生成メソッドの採用を合理化することができる。
論文参考訳（メタデータ） (2023-10-01T05:07:17Z)
Unimon qubit [42.83899285555746]
超伝導量子ビットは、量子コンピュータを実装する最も有望な候補の1つである。本稿では,高非線形性,dc電荷雑音に対する完全な感度,フラックス雑音に対する感度,共振器内の1つのジョセフソン接合のみからなる単純な構造を結合した超伝導量子ビット型ユニモンについて紹介し,実演する。
論文参考訳（メタデータ） (2022-03-11T12:57:43Z)
Raw Waveform Encoder with Multi-Scale Globally Attentive Locally Recurrent Networks for End-to-End Speech Recognition [45.858039215825656]
本稿では,グローバルな注意的局所再帰(GALR)ネットワークを採用し,生波形を直接入力とする新しいエンコーダを提案する。ベンチマークデータセットAISHELL-2と,5,000時間21,000時間の大規模マンダリン音声コーパスを用いて実験を行った。
論文参考訳（メタデータ） (2021-06-08T12:12:33Z)
UIAI System for Short-Duration Speaker Verification Challenge 2020 [45.816875527541065]
本稿では,ショートデュレーション話者検証(SdSV)のためのUIAIエントリのシステム記述について述べる。自動話者検証(ASV)と発話検証(UV)の異なる特徴抽出とモデリング手法について検討する。この課題に対する主な提案は、7つのサブシステムの融合であり、これは0.072の正規化最小検出コスト関数(minDCF)と2.14%の等価エラー率(EER)をもたらす。
論文参考訳（メタデータ） (2020-07-26T12:32:34Z)
REST: Robust and Efficient Neural Networks for Sleep Monitoring in the Wild [62.36144064259933]
ニューラルネットワークの逆トレーニングとLipschitz定数の制御を通じて、両問題に同時に対処する新しい方法であるRESTを提案する。私たちは、RESTがノイズの存在下で、オリジナルのフルサイズのモデルを大幅に上回る、ロバストで効率的なモデルを生成することを実証しています。これらのモデルをスマートフォン上のAndroidアプリケーションにデプロイすることにより、RESTによってモデルが最大17倍のエネルギー削減と9倍高速な推論を達成することができることを定量的に観察する。
論文参考訳（メタデータ） (2020-01-29T17:23:16Z)

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。