論文の概要: A Rapid Pipeline for Training and Deploying ML Models on WeBe Band

• arxiv url: http://arxiv.org/abs/2609.29084v1
• Date: Thu, 24 Sep 2026 06:10:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.746018
• Title: A Rapid Pipeline for Training and Deploying ML Models on WeBe Band
• Title（参考訳）: WeBeバンド上でのMLモデルのトレーニングとデプロイのための高速パイプライン
• Abstract要約: WeBe Band上で機械学習(ML)モデルの迅速な開発、最適化、デプロイを可能にするために、エッジ機械学習(ML)ワークフローを合理化します。 提案システムは,WeBeコアファームウェアに容易に組み込むことができるハードウェア効率の良いMLモデルを自動的に生成する。 提案されたフレームワークは、オープンソースのPiccolo AIエコシステムを、デプロイ可能なファームウェアアーティファクトを生成する自動化パイプラインと密に統合する。
• 参考スコア（独自算出の注目度）: 3.406823334094353
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Developing optimized machine-learning algorithms for edge devices with limited computational and memory resources is challenging, time-consuming, and highly dependent on device-specific constraints. In this work, we streamline an edge ML workflow to enable rapid development, optimization, and deployment of machine-learning (ML) models directly on the WeBe Band, a wrist-worn wearable device designed for multimodal physiological data monitoring. The proposed system automatically generates hardware-efficient ML models that can be easily integrated into the WeBe core firmware, supporting AutoML, hardware-aware quantization, and performance profiling to build models that meet desired latency targets while remaining compatible with device memory and power limitations. The proposed framework tightly integrates the open-source Piccolo AI ecosystem with an automated pipeline that generates deployable firmware artifacts, performs hardware-aware model compilation, and supports over-the-air (OTA) deployment. The system supports multiple lightweight model classes, including classical machine-learning algorithms and neural networks, and provides built-in on-device profiling tools to evaluate inference latency and memory footprint under realistic execution conditions. Experimental results demonstrate clear trade-offs between model complexity and deployability on a microcontroller, showing that classical models offer strong real-time performance while lightweight neural networks require careful resource management. Rather than proposing new learning architectures, the current work mainly focuses on system-level automation, deployability, and enabling researchers and developers to rapidly iterate on models and evaluate them directly on target hardware. Although demonstrated on the WeBe Band platform, the workflow is designed to be extensible to other ML-powered edge devices.
• Abstract（参考訳）: 計算資源とメモリ資源が限られているエッジデバイスに対して最適化された機械学習アルゴリズムを開発することは困難であり、時間を要する。 本研究では、エッジMLワークフローを合理化し、マルチモーダルな生理的データ監視用に設計されたウェアラブルデバイスであるWeBe Band上で、機械学習(ML)モデルの迅速な開発、最適化、デプロイを可能にする。 提案システムは,WeBeコアファームウェアに容易に統合可能なハードウェア効率のMLモデルを自動的に生成し,AutoML,ハードウェア対応量子化,パフォーマンスプロファイリングをサポートし,デバイスメモリや電力制限との互換性を維持しながら,所望の遅延目標を満たすモデルを構築する。 提案されたフレームワークは、オープンソースのPiccolo AIエコシステムを、デプロイ可能なファームウェア成果物を生成する自動化パイプラインと密に統合し、ハードウェア対応モデルコンパイルを実行し、オーバー・ザ・エア(OTA)デプロイメントをサポートする。 このシステムは、古典的な機械学習アルゴリズムやニューラルネットワークを含む、複数の軽量モデルクラスをサポートし、実際の実行条件下での推論レイテンシとメモリフットプリントを評価するデバイス上でのプロファイリングツールを組み込みで提供する。 実験結果から、マイクロコントローラ上でのモデル複雑性とデプロイ可能性のトレードオフを明確に示し、従来のモデルが強力なリアルタイムパフォーマンスを提供する一方で、軽量ニューラルネットワークは慎重なリソース管理を必要とすることを示した。 新たな学習アーキテクチャを提案するのではなく、現在の作業は主にシステムレベルの自動化とデプロイ性に重点を置いており、研究者や開発者はモデルをすばやくイテレーションし、ターゲットハードウェア上で直接評価することができる。 WeBe Bandプラットフォームで実証されているが、ワークフローは他のML駆動エッジデバイスに拡張可能であるように設計されている。

関連論文リスト

• SVTime: Small Time Series Forecasting Models Informed by "Physics" of Large Vision Model Forecasters [86.38433605933515]
  動的Webコンテンツを分析するには時系列AIが不可欠だ。 エネルギー集約的なトレーニング、推論、ハードウェアの要求を考えると、大きなモデルを1フィットのソリューションとして使うと、二酸化炭素のフットプリントと持続可能性に対する深刻な懸念が浮かび上がっています。 本稿では、長期時系列予測(LTSF)のための大型ビジョンモデル(LVM)予測器にインスパイアされた新しい小型モデルSVTimeを紹介する。
  論文  参考訳（メタデータ） (2025-10-10T18:42:23Z)
• PLM: Efficient Peripheral Language Models Hardware-Co-Designed for Ubiquitous Computing [48.30406812516552]
  我々は、モデルアーキテクチャとエッジシステムの制約を協調的に最適化する共同設計プロセスを通じて開発された、周辺言語モデルであるPLMを紹介する。 PLMはMulti-head Latent Attentionメカニズムを採用し、正方形ReLUアクティベーション機能を採用してスパーシティを促進し、ピークメモリフットプリントを減少させる。 評価の結果, PLMは, 公開されているデータに基づいて訓練された既存の小言語モデルよりも優れていた。
  論文  参考訳（メタデータ） (2025-03-15T15:11:17Z)
• Low-Rank Adapters Meet Neural Architecture Search for LLM Compression [1.8434042562191815]
  LLM(Large Language Models)の急速な拡張は、微調整と展開に必要な計算資源に関して重大な課題を提起している。 低ランクアダプタの最近の進歩は、これらのモデルのパラメータ効率のよい微調整(PEFT)において有効であることを示した。 本稿では,低ランク表現をニューラルアーキテクチャサーチ(NAS)技術と相乗化するための革新的なアプローチを包括的に論じる。
  論文  参考訳（メタデータ） (2025-01-23T02:14:08Z)
• Optimization of Lightweight Malware Detection Models For AIoT Devices [2.4947404267499587]
  マルウェア侵入はInternet of Things(IoT)とArtificial Intelligence of Things(AIoT)デバイスの問題である。 本研究の目的は、提案するスーパーラーナーメタ学習アンサンブルモデルを最適化して、ローエンドのAIoTデバイスで実現できるようにすることである。
  論文  参考訳（メタデータ） (2024-04-06T09:30:38Z)
• On-device Training: A First Overview on Existing Systems [6.551096686706628]
  リソース制約のあるデバイスにいくつかのモデルをデプロイする努力も行われている。 この研究は、デバイス上でモデルトレーニングを可能にする最先端のシステム研究を要約し、分析することを目的としている。
  論文  参考訳（メタデータ） (2022-12-01T19:22:29Z)
• DUET: A Tuning-Free Device-Cloud Collaborative Parameters Generation Framework for Efficient Device Model Generalization [66.27399823422665]
  デバイスモデル一般化(Device Model Generalization, DMG)は、デバイス上での機械学習アプリケーションにおいて、実用的ながら実証されていない研究トピックである。 本稿では,Device-cloUdコラボレーティブパラメトリクスフレームワークDUETを提案する。
  論文  参考訳（メタデータ） (2022-09-12T13:26:26Z)
• Real-time Neural-MPC: Deep Learning Model Predictive Control for Quadrotors and Agile Robotic Platforms [59.03426963238452]
  モデル予測制御パイプライン内の動的モデルとして,大規模で複雑なニューラルネットワークアーキテクチャを効率的に統合するフレームワークであるReal-time Neural MPCを提案する。 ニューラルネットワークを使わずに、最先端のMPCアプローチと比較して、位置追跡誤差を最大82%削減することで、実世界の問題に対する我々のフレームワークの実現可能性を示す。
  論文  参考訳（メタデータ） (2022-03-15T09:38:15Z)
• LIMITS: Lightweight Machine Learning for IoT Systems with Resource Limitations [8.647853543335662]
  我々は、IoTシステムのための新しいオープンソースのフレームワークLIghtweight Machine Learning(LIMITS)を紹介する。 LIMITSは、ターゲットIoTプラットフォームの実際のコンパイルツールチェーンを明示的に考慮した、プラットフォーム・イン・ザ・ループのアプローチを適用している。 LIMITSを携帯電話データレート予測と無線車種分類に応用し,その妥当性を検証した。
  論文  参考訳（メタデータ） (2020-01-28T06:34:35Z)

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。