Fugu-MT 論文翻訳(概要): Deep Microcompression: Structured Pruning and Bit-packed Quantization for Microcontrollers

論文の概要: Deep Microcompression: Structured Pruning and Bit-packed Quantization for Microcontrollers

arxiv url: http://arxiv.org/abs/2609.05081v1
Date: Fri, 04 Sep 2026 12:38:07 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-07 18:15:24.036161
Title: Deep Microcompression: Structured Pruning and Bit-packed Quantization for Microcontrollers
Title（参考訳）: 深部マイクロ圧縮:マイクロコントローラのための構造化プルーニングとビットパック量子化
Abstract要約: 本稿では,ベアメタルマイクロコントローラ上でのディープラーニング推論のためのハードウェア対応パイプラインであるDeep Microcompression (DMC)を紹介する。 DMCは構造化プルーニング、量子化対応トレーニング、固定長ビットパッキングを統合し、LeNet-5の55.8倍の重量圧縮比(98.77%の精度)を達成する。 DMCは、2KBに制限されたデバイスであるATmega328P上での標準CNNのドキュメント展開を初めて可能にする。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper introduces Deep Microcompression (DMC), a hardware-aware pipeline for deep learning inference on bare-metal microcontrollers. DMC integrates structured pruning, quantization-aware training, and fixed-length bit-packing to achieve a 55.8$\times$ weight compression ratio on LeNet-5 (98.77\% accuracy), generating a dependency-free C library with deterministic latency. On the RP2040 (Cortex-M0+), DMC reduces binary size by 3$\times$ versus TensorFlow Lite while matching its accuracy. Critically, DMC enables the first documented deployment of a standard CNN on the ATmega328P, a device constrained to 2KB SRAM, previously considered infeasible for CNN inference.
Abstract（参考訳）: 本稿では,ベアメタルマイクロコントローラ上でのディープラーニング推論のためのハードウェア対応パイプラインであるDeep Microcompression (DMC)を紹介する。 DMCは構造化プルーニング、量子化対応トレーニング、固定長ビットパッキングを統合し、55.8$\times$ weight compression ratio on LeNet-5 (98.77\% accuracy)を達成し、決定論的レイテンシを持つ依存性のないCライブラリを生成する。 RP2040(Cortex-M0+)では、DMCはその精度を満足しながら、バイナリサイズを3$\times$とTensorFlow Liteで削減する。批判的に、DMCは2KBのSRAMに制約されたデバイスであるATmega328P上に標準のCNNを最初に文書化されたデプロイを可能にする。

関連論文リスト

Benchmarking Composable Compression Techniques in Mixture-of-Experts LLMs [50.677556944160216]
MoEXBenchは、構成可能なMoE圧縮をエンドツーエンドのデプロイメントワークフローとして評価するための体系的なベンチマークである。コンポーザブル圧縮品質、ワークロードとアーキテクチャ、プルーニング/量子化/KVキャッシュ感度、コモディティハードウェアへのデプロイメント効率を測定する。
論文参考訳（メタデータ） (2026-08-22T00:01:18Z)
Lightweight PCGAE-Net: Parallel CrossGate Attention and Bottleneck AutoEncoder for Efficient 5G Channel Prediction [1.1083289076967893]
本稿では,ポストホック圧縮による効率問題に対処する軽量PCGAE-Netを提案する。 CS3T-UNetベースラインよりも58%少ない8.54,Mパラメータのモデルを生成する。最大3.26,dBを5km/h、6.0,dBを9km/hで上回る。
論文参考訳（メタデータ） (2026-06-24T04:55:25Z)
From Compression to Deployment: Real-Time and Energy-Efficient FastGRNN on Ultra-Constrained Microcontrollers [0.0]
本稿では、2つのベアメタルターゲット上に配置されたコンパクトゲートセルであるFastGRNNのエンドツーエンドのオープンソース再生について述べる。このモデルは重量566バイトを占め、HAPTテストセット上でマクロF1 = 0.918(シード0; 5シードQ15は0.853+-0.107)を達成する。どちらのプラットフォームも、リアルタイム50Hzのストリーミング推論(Arduinoでは9.21ms、MSP430では13ms)を維持しており、256エントリのシグモイド/タンのルックアップテーブルは30.5倍のスピードアップを提供する。
論文参考訳（メタデータ） (2026-06-15T19:49:38Z)
On-Device Vision Training, Deployment, and Inference on a Thumb-Sized Microcontroller [0.0]
本稿では,エンド・ツー・エンドのビジョン・デバイス・機械学習・パイプラインを提案する。 Seeed Studio ESP32-S3 XI Kit MLAO (8MB PSRAM)で動作し、ファームウェアはトレーニング1時間あたり約9分で3種類の64x64画像分類を実現し、リアルタイム推論は6.3 FPSである。
論文参考訳（メタデータ） (2026-04-24T20:59:16Z)
Pushing the Limits of On-Device Streaming ASR: A Compact, High-Accuracy English Model for Low-Latency Inference [5.685908474026849]
エッジデバイス上での高品質な自動音声認識(ASR)は、GPUアクセラレーションなしでCPUで完全に動作している間に、精度、レイテンシ、メモリフットプリントを共同で最適化するモデルを必要とする。我々は,エンコーダデコーダ,トランスデューサ,LDMベースのパラダイムを包含し,バッチ,チャンク,ストリーミング推論モードで評価する,最先端のASRアーキテクチャの体系的研究を行った。推奨構成であるint4 k-quant変種は、8つの標準ベンチマークで平均8.20%のストリーミングWERを実現し、0.56秒のアルゴリズムレイテンシでCPU上でのリアルタイムよりも快適に動作します。
論文参考訳（メタデータ） (2026-04-16T00:04:32Z)
AHC: Meta-Learned Adaptive Compression for Continual Object Detection on Memory-Constrained Microcontrollers [0.14504054468850666]
100KB以下のメモリを持つマイクロコントローラ(MCU)上の連続物体検出には、効率的な特徴圧縮が必要である。 3つの重要なイノベーションを特徴とするメタラーニングフレームワークであるAdaptive Hierarchical Compression (AHC)を紹介する。 AHCは100KBのリプレイ予算内で実用的な連続的な検出を可能にし、平均プール圧縮された特徴リプレイによる競合精度を実現する。
論文参考訳（メタデータ） (2026-02-24T07:06:51Z)
NanoCockpit: Performance-optimized Application Framework for AI-based Autonomous Nanorobotics [50.594459728605734]
小型のフォームファクタ、すなわち10sグラムは、計算資源をSI100ミリワット以下のマイクロコントローラユニット(MCU)に著しく制限する。本フレームワークは,タスクのシリアライズによるオーバーヘッドをゼロにすることで,クローズドループ制御性能の定量的改善を実現する。
論文参考訳（メタデータ） (2026-01-12T12:29:38Z)
MC#: Mixture Compressor for Mixture-of-Experts Large Models [86.64315380917827]
Mixture-of-Experts (MoE)は、大きな言語モデル(LLM)と視覚言語モデル(VLM)をスパースアクティベーションによって拡張することで効果的にスケールする。静的量子化と動的エキスパートプルーニングを組み合わせたフレームワークであるMC#(Mixture-Compressor-sharp)を提案する。
論文参考訳（メタデータ） (2025-10-13T03:12:46Z)
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)
Data-Free Dynamic Compression of CNNs for Tractable Efficiency [46.498278084317704]
構造化プルーニング手法は, 精度が大幅に低下することなく浮動小数点演算を低下させる可能性を示唆している。 HASTE(Hashing for Tractable Efficiency)は,データフリーでプラグイン・アンド・プレイのコンボリューションモジュールで,トレーニングや微調整なしにネットワークのテスト時間推論コストを瞬時に低減する。 CIFAR-10とImageNetでは46.72%のFLOPを1.25%の精度で削減した。
論文参考訳（メタデータ） (2023-09-29T13:09:40Z)
Keyword Spotting System and Evaluation of Pruning and Quantization Methods on Low-power Edge Microcontrollers [7.570300579676175]
キーワードスポッティング(KWS)は、エッジの低消費電力デバイスとの音声ベースのユーザインタラクションに有用である。本稿では,Cortex-M7コア@216MHzと512KBの静的RAMを備えたSTM32F7マイクロコントローラ上で動作するKWSシステムについて述べる。
論文参考訳（メタデータ） (2022-08-04T16:49:45Z)
CrAM: A Compression-Aware Minimizer [103.29159003723815]
本稿では、CrAMと呼ばれる新しい圧縮対応最小化器を提案し、最適化ステップを原則的に修正する。 CrAMは、標準のSGD/アダムベースベースラインよりも精度が高い密度のモデルを生成するが、重量計算では安定である。 CrAMは、転送学習のためにうまく機能するスパースモデルを生成することができ、GPUハードウェアでサポートされている半構造化の2:4プルーニングパターンでも機能する。
論文参考訳（メタデータ） (2022-07-28T16:13:28Z)
A TinyML Platform for On-Device Continual Learning with Quantized Latent Replays [66.62377866022221]
Latent Replay-based Continual Learning (CL)技術は、原則としてオンライン、サーバレスの適応を可能にする。 10コアのFP32対応並列超低消費電力プロセッサをベースとした,エンドツーエンドCLのためのHW/SWプラットフォームを提案する。これらの手法を組み合わせることで,64MB未満のメモリを用いて連続学習を実現することができることを示す。
論文参考訳（メタデータ） (2021-10-20T11:01:23Z)

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。