論文の概要: Benchmarking Model Compression Techniques Across Heterogeneous Edge Platforms: A Predictive Maintenance Use Case for Rotating Machinery

• arxiv url: http://arxiv.org/abs/2610.30228v2
• Date: Tue, 27 Oct 2026 08:20:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.327616
• Title: Benchmarking Model Compression Techniques Across Heterogeneous Edge Platforms: A Predictive Maintenance Use Case for Rotating Machinery
• Title（参考訳）: 不均一エッジプラットフォーム間のベンチマークモデル圧縮技術:回転機械の予測保守ユースケース
• Abstract要約: 本稿では,予測保守のための高性能畳み込みニューラルネットワークに適用した4つの最先端モデル圧縮手法の比較分析を行った。 分類性能, 推論速度, 圧縮比を共同で優先することにより, 知識蒸留を用いた圧縮が最も効果的であることがわかった。
• 参考スコア（独自算出の注目度）: 4.649620681778149
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: To enable Industry 5.0, where autonomous systems are widely adopted and integrated with people to promote sustainable development in industries, it is imperative to adapt complex deep learning models to operate efficiently on resource-constrained hardware for edge inference. However, adapting these models remains challenging due to the hardware heterogeneity of edge computing in industrial settings, performance degradation caused by model compression, and the lack of clear guidance on which compression techniques are practical and effective for applications such as predictive maintenance. To address these challenges, this paper presents a comprehensive comparative analysis of four state-of-the-art model compression techniques applied to a high-performance convolutional neural network for predictive maintenance using a real-world dataset of rotating machinery, equipment typically used in industry. The compressed models were evaluated across a heterogeneous set of nine computing platforms, ranging from highly constrained edge computing devices to general purpose and high-performance processors, reflecting the diversity and fragmentation typical of industrial edge environments. By jointly prioritizing classification performance, inference speed, and compression ratio, we found that compression using knowledge distillation emerged as the most effective approach. The model had more than 90% speedup across all devices while maintaining a 91.22% balanced F-score, with a very small drop in predictive performance relative to the uncompressed model, along with a 98.9% size reduction. Through successful deployment across multiple edge platforms and a systematic comparison of compression strategies, we demonstrated a clear path to achieving Industry 5.0 targets, drastically cutting computational costs and, consequently, energy consumption without sacrificing predictive performance.
• Abstract（参考訳）: 自律的なシステムが広く採用され、人々と統合され、産業における持続可能な開発を促進する産業5.0を実現するためには、複雑なディープラーニングモデルを適用して、エッジ推論のためにリソース制約のあるハードウェア上で効率的に運用することが不可欠である。 しかし, 産業環境におけるエッジコンピューティングのハードウェア不均一性, モデル圧縮による性能劣化, 予測保守などのアプリケーションにおいて, 圧縮技術が実用的かつ効果的であることを示す明確なガイダンスの欠如により, これらのモデルの適用は依然として困難である。 これらの課題に対処するため,本論文では,産業用機器の回転機械の実環境データセットを用いて,高性能畳み込みニューラルネットワークに適用した4つの最先端モデル圧縮手法の総合的比較分析を行った。 圧縮されたモデルは、高度に制約されたエッジコンピューティングデバイスから汎用および高性能なプロセッサまで、産業的なエッジ環境に典型的な多様性と断片化を反映した9つのコンピューティングプラットフォームで評価された。 分類性能, 推論速度, 圧縮比を共同で優先することにより, 知識蒸留を用いた圧縮が最も効果的であることがわかった。 このモデルは、91.22%のバランスの取れたFスコアを維持しながら、全デバイスで90%以上のスピードアップを達成し、非圧縮モデルと比較して予測性能は極めて低下し、98.9%の縮小を実現した。 複数のエッジプラットフォームにまたがる配置を成功させ、圧縮戦略を体系的に比較することで、産業5.0目標を達成するための明確な道筋を示し、計算コストを大幅に削減し、その結果、予測性能を犠牲にすることなくエネルギー消費量を削減した。

関連論文リスト

• A Comparative Study of CNN Optimization Methods for Edge AI: Exploring the Role of Early Exits [0.08209843760716957]
  本稿では,静的圧縮と動的早期退避機構の統一的な展開指向比較について述べる。 以上の結果から,静的および動的手法によって,エッジデプロイメントのトレードオフが根本的に異なることが明らかとなった。 それらの組み合わせは非常に効果的で、推論遅延とメモリ使用量を最小限の精度で削減できる。
  論文  参考訳（メタデータ） (2026-04-16T08:50:49Z)
• Rethinking Autoregressive Models for Lossless Image Compression via Hierarchical Parallelism and Progressive Adaptation [75.58269386927076]
  自己回帰(AR)モデルは、しばしば計算コストの禁止のために非現実的に除外される。 この研究は、階層的並列性とプログレッシブ適応に基づくフレームワークを導入して、このパラダイムを再考する。 各種データセット(自然,衛星,医療)の実験により,本手法が新たな最先端圧縮を実現することを確認した。
  論文  参考訳（メタデータ） (2025-11-14T06:27:58Z)
• PearSAN: A Machine Learning Method for Inverse Design using Pearson Correlated Surrogate Annealing [66.27103948750306]
  PearSANは、大きな設計空間を持つ逆設計問題に適用可能な機械学習支援最適化アルゴリズムである。 ピアソン相関代理モデルを用いて、真の設計計量のメリットの図形を予測する。 最先端の最大設計効率は97%で、少なくとも以前の方法よりも桁違いに高速である。
  論文  参考訳（メタデータ） (2024-12-26T17:02:19Z)
• Convex Distillation: Efficient Compression of Deep Networks via Convex Optimization [46.18363767705346]
  リソース制約のあるデバイスに大規模で複雑な凸ネットワークを配置することは、その要求のために大きな課題となった。 本稿では,本モデルを用いてモデルを効率よく圧縮する新しい蒸留技術を紹介する。 当社のアプローチでは,後処理を必要とせずに,オリジナルモデルに匹敵するパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2024-10-09T06:04:52Z)
• Edge AI: Evaluation of Model Compression Techniques for Convolutional Neural Networks [0.0]
  本研究は,CIFAR-10データセットを用いた画像分類タスクにおけるConvNeXtモデルの圧縮手法を評価する。 その結果, モデルサイズが有意に減少し, 構造化プルーニング技術により最大75%の削減が達成された。 動的量子化はパラメータ数の最大95%の削減を達成する。
  論文  参考訳（メタデータ） (2024-09-02T11:48:19Z)
• A Survey on Transformer Compression [84.18094368700379]
  自然言語処理(NLP)とコンピュータビジョン(CV)の領域においてトランスフォーマーは重要な役割を果たす モデル圧縮法は、Transformerのメモリと計算コストを削減する。 この調査は、Transformerベースのモデルに適用することに焦点を当てた、最近の圧縮方法に関する包括的なレビューを提供する。
  論文  参考訳（メタデータ） (2024-02-05T12:16:28Z)
• Learning Accurate Performance Predictors for Ultrafast Automated Model Compression [86.22294249097203]
  フレキシブルネットワーク展開のための超高速自動モデル圧縮フレームワークSeerNetを提案する。 本手法は,探索コストを大幅に削減した競合精度・複雑度トレードオフを実現する。
  論文  参考訳（メタデータ） (2023-04-13T10:52:49Z)
• What do Compressed Large Language Models Forget? Robustness Challenges in Model Compression [68.82486784654817]
  本稿では,知識蒸留とプルーニングを含む2つの一般的なモデル圧縮手法について検討する。 本研究では, 圧縮モデルが, 対向テストセット上のPLMモデルよりもはるかに頑健であることを示す。 サンプル不確実性に基づくモデル圧縮の正規化戦略を開発する。
  論文  参考訳（メタデータ） (2021-10-16T00:20:04Z)
• You Only Compress Once: Optimal Data Compression for Estimating Linear Models [1.2845031126178592]
  線形モデルを用いる多くの工学システムは分散システムおよび専門家構成によって計算効率を達成します。 条件付き十分な統計は、統一されたデータ圧縮と推定戦略である。
  論文  参考訳（メタデータ） (2021-02-22T19:00:18Z)

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。