論文の概要: On the Instance Hardness as a Decision Criterion in TinyML Systems

• arxiv url: http://arxiv.org/abs/2608.29913v1
• Date: Sun, 30 Aug 2026 17:18:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.114277
• Title: On the Instance Hardness as a Decision Criterion in TinyML Systems
• Title（参考訳）: TinyMLシステムにおける決定基準としてのインスタンス硬度について
• Abstract要約: TinyMLには、限られたメモリとコンピューティングリソースを持つデバイス上での機械学習の実装が含まれている。 本稿では,TinyMLシステムへの木深プーンインスタンス硬度法の新規適用に関する予備的知見を示す。
• 参考スコア（独自算出の注目度）: 0.9553819152637493
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: TinyML includes the implementation of machine learning on devices with limited memory and computing resources. With the development of technology, AI systems continue to scale in terms of size and computational requirements. This forces researchers to adapt methods to be environmentally sustainable by designing techniques for reducing computational costs and energy consumption in inferring AI models, even in small devices. In this work, we present preliminary findings on a novel application of the tree depth prune instance hardness method to the TinyML system. The results indicate that threshold control can change energy consumption with limited classification quality changes. This method allows us to adjust classification accuracy, thereby influencing computational complexity and energy consumption for inference. We present a work in progress with initial results as a proof of concept.
• Abstract（参考訳）: TinyMLには、限られたメモリとコンピューティングリソースを持つデバイス上での機械学習の実装が含まれている。 テクノロジーの発展に伴い、AIシステムはサイズと計算要求の観点から拡大を続けている。 これにより、研究者は、小さなデバイスであってもAIモデルを推論する際の計算コストとエネルギー消費を削減できる手法を設計することで、環境的に持続可能な手法を適用せざるを得ない。 本稿では,TinyMLシステムへの木深プルーネインスタンス硬度法の新規適用に関する予備的知見を示す。 その結果、閾値制御は、分類品質の変化を限定してエネルギー消費を変化させることが可能であることが示唆された。 この手法により,分類精度の調整が可能となり,推論の計算複雑性やエネルギー消費に影響を及ぼす。 概念実証として,本研究の成果について述べる。

関連論文リスト

• On The Dynamic Ensemble Selection for TinyML-based Systems -- a Preliminary Study [0.9553819152637493]
  TinyML技術の最近の進歩は、推論時間と分類品質のバランスをとるという課題に対処する必要がある。 本稿では,TinyMLシステム内の多クラスコンピュータビジョンタスクに対するDESクラスタリング手法について検討する。 実験により、動的選択のためのより大きな分類器のプールが分類精度を向上し、TinyMLデバイス上での平均推測時間が増加することが示された。
  論文  参考訳（メタデータ） (2025-09-22T18:35:35Z)
• DaCe AD: Unifying High-Performance Automatic Differentiation for Machine Learning and Scientific Computing [54.73410106410609]
  この研究は、コード修正を必要としない汎用的で効率的な自動微分エンジンであるDaCe ADを提示する。 DaCe ADは、新しいILPベースのアルゴリズムを使用して、記憶と再計算の間のトレードオフを最適化し、与えられたメモリ制約内で最大性能を達成する。
  論文  参考訳（メタデータ） (2025-09-02T11:09:45Z)
• Designing Object Detection Models for TinyML: Foundations, Comparative Analysis, Challenges, and Emerging Solutions [8.313977832587684]
  オブジェクト検出(OD)は多くのコンピュータビジョンアプリケーションにとって不可欠だが、リソースに制約のあるIoTデバイスにデプロイすることは大きな課題である。 TinyMLは、超低消費電力デバイス上でODを有効にし、エッジでの効率的なリアルタイム処理を実現することで、魅力的なソリューションを提供する。 本稿では、リソース制約のあるデバイスにODモデルをデプロイするための鍵となる最適化手法を詳細に分析する。
  論文  参考訳（メタデータ） (2025-08-11T17:28:59Z)
• Frugal Machine Learning for Energy-efficient, and Resource-aware Artificial Intelligence [13.783950035836593]
  FML(Frugal Machine Learning)とは、機械学習(ML)モデルを設計するプラクティスである。 FMLの戦略は、入力自由度、学習プロセス自由度、モデル自由度に大別できる。 この章では、FMLの最近の進歩、応用、オープンな課題について説明する。
  論文  参考訳（メタデータ） (2025-06-02T16:56:21Z)
• QuartDepth: Post-Training Quantization for Real-Time Depth Estimation on the Edge [55.75103034526652]
  ASIC のハードウェアアクセラレーションによる MDE モデルの定量化を後学習量子化に応用した QuartDepth を提案する。 提案手法では,重みとアクティベーションの両方を4ビット精度で定量化し,モデルサイズと計算コストを削減する。 我々は、カーネル融合とカスタマイズされた命令プログラム性をサポートすることにより、フレキシブルでプログラム可能なハードウェアアクセラレータを設計する。
  論文  参考訳（メタデータ） (2025-03-20T21:03:10Z)
• LLMC: Benchmarking Large Language Model Quantization with a Versatile Compression Toolkit [55.73370804397226]
  鍵圧縮技術である量子化は、大きな言語モデルを圧縮し、加速することにより、これらの要求を効果的に軽減することができる。 本稿では,プラグアンドプレイ圧縮ツールキットであるLLMCについて,量子化の影響を公平かつ体系的に検討する。 この汎用ツールキットによって、我々のベンチマークはキャリブレーションデータ、アルゴリズム(3つの戦略)、データフォーマットの3つの重要な側面をカバーしています。
  論文  参考訳（メタデータ） (2024-05-09T11:49:05Z)
• On TinyML and Cybersecurity: Electric Vehicle Charging Infrastructure Use Case [17.1066653907873]
  本稿では、消費電力、メモリ制限、計算制約などのTinyML技術の課題について述べる。 また、エネルギー収穫、計算最適化技術、プライバシー保護のための伝達学習など、これらの課題に対する潜在的な解決策についても検討している。 TinyMLを用いたEVCIのサイバーセキュリティを高める実験ケーススタディを,遅延とメモリ使用量の削減の観点から,従来のMLに対して評価した。
  論文  参考訳（メタデータ） (2024-04-25T01:57:11Z)
• Introducing User Feedback-based Counterfactual Explanations (UFCE) [49.1574468325115]
  対実的説明(CE)は、XAIで理解可能な説明を生成するための有効な解決策として浮上している。 UFCEは、アクション可能な機能のサブセットで最小限の変更を決定するために、ユーザー制約を含めることができる。 UFCEは、textitproximity(英語版)、textitsparsity(英語版)、textitfeasibility(英語版)の2つのよく知られたCEメソッドより優れている。
  論文  参考訳（メタデータ） (2024-02-26T20:09:44Z)
• Machine Learning Insides OptVerse AI Solver: Design Principles and Applications [74.67495900436728]
  本稿では,Huawei CloudのOpsVerse AIソルバに機械学習(ML)技術を統合するための総合的研究について述べる。 本稿では,実世界の多面構造を反映した生成モデルを用いて,複雑なSATインスタンスとMILPインスタンスを生成する手法を紹介する。 本稿では,解解器性能を著しく向上させる,最先端パラメータチューニングアルゴリズムの導入について詳述する。
  論文  参考訳（メタデータ） (2024-01-11T15:02:15Z)
• An Energy-Aware Approach to Design Self-Adaptive AI-based Applications on the Edge [42.462246527457594]
  我々は、自己適応型AIベースのアプリケーションの設計と展開にエネルギーを意識したアプローチを提案する。 本稿では,メタヒューリスティックな探索手順でシステムに自己適応できる構成の集合を決定する問題に対処する。 その結果、我々の自己適応型アプリケーションは、最大81%のエネルギーを節約し、2%から6%の精度で、非適応型ベースライン構成を上回ります。
  論文  参考訳（メタデータ） (2023-08-31T09:33:44Z)
• Enable Deep Learning on Mobile Devices: Methods, Systems, and Applications [46.97774949613859]
  ディープニューラルネットワーク(DNN)は人工知能(AI)分野において前例のない成功を収めた しかし、それらの優れた性能は、計算の複雑さのかなりのコストを伴っている。 本稿では,効率的なディープラーニング手法,システム,応用について概説する。
  論文  参考訳（メタデータ） (2022-04-25T16:52:48Z)
• Quantization of Generative Adversarial Networks for Efficient Inference: a Methodological Study [41.74498230885008]
  GAN(Generative Adversarial Network)は、フォトリアリスティックなデジタルアバター、セマンティックなコンテンツ編集、音声や画像の品質向上など、デジタルコンテンツ作成に大きな影響を与える可能性がある。 現代のGANの性能は、推論中に大量の計算と高エネルギー消費によってもたらされる。 本稿では,3種類のGANアーキテクチャ,すなわちStyleGAN,Self-Attention GAN,CycleGANについて,最先端の量子化手法について検討する。
  論文  参考訳（メタデータ） (2021-08-31T17:42:24Z)
• Tiny Machine Learning for Concept Drift [8.452237741722726]
  本稿では,ディープラーニング特徴抽出器とk-アネレスト近傍に基づくTML-CD(Tiny Machine Learning for Concept Drift)ソリューションを提案する。 適応モジュールは、TML-CDの知識ベースを継続的に更新し、データ生成プロセスに影響を与える概念ドリフトに対処する。 3つの市販マイクロコントローラユニットへのTML-CDの移植は、現実世界の広範システムで提案されていることの実現可能性を示している。
  論文  参考訳（メタデータ） (2021-07-30T17:02:04Z)
• Efficient Micro-Structured Weight Unification and Pruning for Neural Network Compression [56.83861738731913]
  ディープニューラルネットワーク(DNN)モデルは、特にリソース制限されたデバイスにおいて、実用的なアプリケーションに不可欠である。 既往の非構造的あるいは構造化された重量刈り法は、推論を真に加速することはほとんど不可能である。 ハードウェア互換のマイクロ構造レベルでの一般化された重み統一フレームワークを提案し,高い圧縮と加速度を実現する。
  論文  参考訳（メタデータ） (2021-06-15T17:22:59Z)

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。