論文の概要: Sub-Model Short-Term Memory Convolutions for Keyword Spotting Systems on Device

• arxiv url: http://arxiv.org/abs/2609.35005v1
• Date: Mon, 28 Sep 2026 12:07:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-02 17:54:17.542504
• Title: Sub-Model Short-Term Memory Convolutions for Keyword Spotting Systems on Device
• Title（参考訳）: デバイス上のキーワードスポッティングシステムのためのサブモデル短期記憶畳み込み
• Abstract要約: キーワードスポッティング(KWS)は、音声制御デバイスの普及に伴い、ますます重要になりつつある。 本稿では,モジュール型CNNモデルをLSTMライクなオンライン推論に適用するためのSTMCフレームワークの応用について述べる。 提案手法は,CNNの安定性と簡易性を維持しつつ,消費電力と冗長な計算量を削減する。
• 参考スコア（独自算出の注目度）: 1.3375143521862152
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Keyword Spotting (KWS) is becoming increasingly important as voice-controlled devices grow more widespread. While voice interaction with smartphones and smart TVs is already common, deploying KWS on heavily resource-constrained edge devices such as wearables remains challenging. These systems must meet high accuracy requirements while operating under strict constraints on computational power, memory footprint, and real-time latency. In this work, we present an application of the STMC (Short-Term Memory Convolutions) framework to adapt a modular CNN model for online, LSTM-like inference. Our approach reduces power consumption and redundant computations while maintaining the stability and simplicity of training CNNs. We achieve up to 82% and 46% MCPS reduction compared to equivalently frequent standard CNN execution and vanilla STMC, respectively. The best configuration achieves 93.8% accuracy on the 11-class Google Speech Commands task and 97.1% on the same task with zero-padded data.
• Abstract（参考訳）: 音声制御デバイスの普及に伴い,キーワードスポッティング(KWS)の重要性が高まっている。 スマートフォンやスマートTVとの音声対話はすでに一般的だが、ウェアラブルのようなリソースの制約の多いエッジデバイスにKWSをデプロイすることは依然として難しい。 これらのシステムは、計算能力、メモリフットプリント、リアルタイムレイテンシの厳しい制約の下で動作しながら、高い精度の要求を満たす必要がある。 本稿では,モジュール型CNNモデルをLSTMライクなオンライン推論に適用するためのSTMC(Short-Term Memory Convolutions)フレームワークの応用について述べる。 提案手法は,CNNの安定性と簡易性を維持しつつ,消費電力と冗長な計算量を削減する。 標準CNNおよびバニラSTMCと比較して最大82%,46%のMCPS低下を認めた。 最高の設定は、11クラスのGoogle Speech Commandsタスクで93.8%、ゼロパッドデータで同じタスクで97.1%の精度を達成する。

関連論文リスト

• Speech Emotion Recognition using Attention-based LSTM-Network with Residual Connection [0.0]
  音声の感情認識は、現代の人間とコンピュータのインタラクションシステムにおいて重要な要素である。 本稿では,残差接続をソフトアテンションと統合した軽量アーキテクチャであるResLSTM-SAを提案する。 最高の性能を持つ変種(ResLSTM-SA-h64)は最大で0.6517のUARを達成し、46.8kの訓練可能なパラメータしか持たない。
  論文  参考訳（メタデータ） (2026-06-02T09:08:59Z)
• LiQSS: Post-Transformer Linear Quantum-Inspired State-Space Tensor Networks for Real-Time 6G [85.58816960936069]
  Sixth-Generation (6G) Open Radio Access Networks (O-RAN) における能動的およびエージェント的制御は、厳密なニアタイム(Near-RT)レイテンシと計算制約の下で制御グレードの予測を必要とする。 本稿では,効率的な無線テレメトリ予測のための変圧器後パラダイムについて検討する。 本稿では、自己アテンションを安定な状態空間動的カーネルに置き換える量子インスピレーション付き状態空間テンソルネットワークを提案する。
  論文  参考訳（メタデータ） (2026-01-18T12:08:38Z)
• Sparse Binarization for Fast Keyword Spotting [10.964148450512972]
  KWSモデルは、リアルタイムアプリケーション、プライバシ、帯域幅効率のためにエッジデバイスにデプロイすることができる。 本稿では,スパース入力表現に基づく新しいキーワードスポッティングモデルを提案する。 また,本手法は高速かつノイズの多い環境でもより堅牢である。
  論文  参考訳（メタデータ） (2024-06-09T08:03:48Z)
• Pruning random resistive memory for optimizing analogue AI [54.21621702814583]
  AIモデルは、エネルギー消費と環境持続可能性に前例のない課題を提示する。 有望な解決策の1つは、アナログコンピューティングを再考することである。 ここでは、構造的塑性に着想を得たエッジプルーニングを用いたユニバーサルソリューション、ソフトウェア・ハードウエアの共設計について報告する。
  論文  参考訳（メタデータ） (2023-11-13T08:59:01Z)
• Incremental Online Learning Algorithms Comparison for Gesture and Visual Smart Sensors [68.8204255655161]
  本稿では,加速度センサデータに基づくジェスチャー認識と画像分類の2つの実例として,最先端の4つのアルゴリズムを比較した。 以上の結果から,これらのシステムの信頼性と小型メモリMCUへのデプロイの可能性が確認された。
  論文  参考訳（メタデータ） (2022-09-01T17:05:20Z)
• Braille Letter Reading: A Benchmark for Spatio-Temporal Pattern Recognition on Neuromorphic Hardware [50.380319968947035]
  近年の深層学習手法は,そのようなタスクにおいて精度が向上しているが,従来の組込みソリューションへの実装は依然として計算量が非常に高く,エネルギーコストも高い。 文字読み込みによるエッジにおける触覚パターン認識のための新しいベンチマークを提案する。 フィードフォワードとリカレントスパイキングニューラルネットワーク(SNN)を、サロゲート勾配の時間によるバックプロパゲーションを用いてオフラインでトレーニングし比較し、効率的な推論のためにIntel Loihimorphicチップにデプロイした。 LSTMは14%の精度で繰り返しSNNより優れており、Loihi上での繰り返しSNNは237倍のエネルギーである。
  論文  参考訳（メタデータ） (2022-05-30T14:30:45Z)
• An Adaptive Device-Edge Co-Inference Framework Based on Soft Actor-Critic [72.35307086274912]
  高次元パラメータモデルと大規模数学的計算は、特にIoT(Internet of Things)デバイスにおける実行効率を制限する。 本稿では,ソフトポリシーの繰り返しによるエフェキシット点,エフェキシット点,エンフェキシット点を生成する離散的(SAC-d)のための新しい深層強化学習(DRL)-ソフトアクタ批判法を提案する。 レイテンシと精度を意識した報酬設計に基づいて、そのような計算は動的無線チャンネルや任意の処理のような複雑な環境によく適応でき、5G URLをサポートすることができる。
  論文  参考訳（メタデータ） (2022-01-09T09:31:50Z)
• Broadcasted Residual Learning for Efficient Keyword Spotting [7.335747584353902]
  モデルサイズと計算負荷を小さくして高精度な放送残差学習手法を提案する。 また,放送残差学習に基づく新しいネットワークアーキテクチャ,BC-Residual Network(BC-ResNet)を提案する。 BC-ResNetsは、Googleの音声コマンドデータセット v1 と v2 で、最先端の98.0% と98.7% のトップ-1 の精度をそれぞれ達成している。
  論文  参考訳（メタデータ） (2021-06-08T06:55:39Z)
• Small-Footprint Keyword Spotting with Multi-Scale Temporal Convolution [5.672132510411465]
  キーワードスポッティング(KWS)は、スマートデバイス端末やサービスロボットにおける人間とコンピュータのインタラクションにおいて重要な役割を果たす。 KWSタスクの小さなフットプリントと高い精度のトレードオフを達成することは依然として困難である。 本稿では,カーネルサイズが異なる複数の時間的畳み込みフィルタからなるCNNブロックであるMTConvを提案する。
  論文  参考訳（メタデータ） (2020-10-20T02:07:07Z)

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。