論文の概要: ORBITAL: Optimization of Robust Brain--Computer Inference Through Architecture-Aware Low-Precision Compression
- arxiv url: http://arxiv.org/abs/2610.36411v1
- Date: Mon, 26 Oct 2026 23:45:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-28 21:04:31.450536
- Title: ORBITAL: Optimization of Robust Brain--Computer Inference Through Architecture-Aware Low-Precision Compression
- Title（参考訳）: ORBITAL:アーキテクチャを考慮した低精度圧縮によるロバスト脳-コンピュータ推論の最適化
- Abstract要約: ORBITALは、ハードウェアで実現可能な構造化圧縮、リカバリ対応のオペレーティングポイントの選択、マルチアタック評価、ネイティブエッジバリデーションを組み合わせた堅牢性制約付きフレームワークである。
S25-TRADESはBCIコンペティションIV-2a上の9つの被験者と3つの種に対して,圧縮されたEEGNetモデルの中で観測された平均真の一様性を達成した。
- 参考スコア（独自算出の注目度）: 2.717526933594264
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Compact electroencephalography (EEG) decoders enable embedded brain--computer interfaces (BCIs), but compression can alter adversarial robustness without proportional hardware savings. We present ORBITAL, a robustness-constrained framework combining hardware-realizable structured compression, recovery-aware operating-point selection, multi-attack evaluation, and native edge validation. Across nine subjects and three seeds on BCI Competition IV-2a, S25-TRADES achieves the highest observed mean true-union robustness among compressed EEGNet models (23.06% vs 21.27% for standard Full), with 26.27% fewer parameters and 25.10% fewer MACs. Matched controls identify TRADES as the main source of robustness recovery, improving S25 union accuracy by 6.74 percentage points over clean recovery (p=0.0039), while per-example analysis reveals boundary redistribution rather than uniform margin expansion. On Jetson Orin Nano, FP16 compression reduces board energy by up to 16.20% and latency by 8.00%. Despite 99.3% prediction agreement, native INT8 Q/DQ incurs about twice the FP16 latency and energy, demonstrating the need for joint robustness and hardware-aware optimization.
- Abstract（参考訳）: 小型脳波デコーダ(EEG)は脳-コンピュータインターフェース(BCI)を組み込むことができるが、圧縮は比例的なハードウェアの節約なしに対向的な堅牢性を変化させることができる。
ハードウェアで実現可能な構造化圧縮、リカバリ対応のオペポイント選択、マルチアタック評価、ネイティブエッジ検証を組み合わせた堅牢性制約付きフレームワークORBITALを提案する。
9つの被験者とBCIコンペティションIV-2a上の3つの種のうち、S25-TRADESは、圧縮されたEEGNetモデル(標準フルでは23.06%対21.27%)の中で最も観測された平均真のユニオンロバスト性を達成し、パラメータは26.27%減少し、MACは25.10%減少している。
一致した制御は、RADESをロバスト性回復の主源とし、クリーンリカバリ(p=0.0039)よりもS25ユニオンの精度を6.74ポイント向上させる。
Jetson Orin Nanoでは、FP16圧縮はボードエネルギーを最大16.20%削減し、遅延を8.00%削減する。
99.3%の予測合意にもかかわらず、ネイティブINT8 Q/DQはFP16のレイテンシとエネルギの約2倍を発生し、ジョイントロバスト性とハードウェア対応の最適化の必要性を示している。
関連論文リスト
- AERIAL: Adversarial Evaluation of Robustness in Accuracy-Preserving Low-Precision EEG Decoders [2.717526933594264]
展開指向圧縮は、資源制約された脳-コンピュータにとって魅力的である。
脳波デコーダの直接堅牢性, 対向移動, 展開効率は, 圧縮された脳波デコーダの異なる特性であることを示す。
論文 参考訳（メタデータ） (2026-09-24T16:07:01Z) - AVT-Fabric: Active Visuo-Tactile Perception via Adaptive Evidence Selection for Efficient Robotic Fabric Comparison [50.18779315745876]
AVT-Fabricは、各比較の難しさに応じて触覚証拠を割り当てるRGBファーストフレームワークである。
400のホールドアウト比較において、AVT-Fabricはコンパクトな7Bマルチモーダル大言語モデルで98.0%の精度を達成した。
このフレームワークは実際のロボットシステムにもデプロイされており、8つのアプリケーションシナリオのうち7つのシナリオで78.1%のペアのランキング精度と正しい布地選択を実現している。
論文 参考訳（メタデータ） (2026-09-18T06:43:04Z) - Lightweight Vision Transformer Compression for On-Device Plant Disease Detection in Resource-Constrained Agricultural Field Conditions [1.5530227558314913]
ビジョントランスフォーマー(ViT)は高い分類精度を達成したが、その大きな計算フットプリントはリソース制約されたデバイスへの展開を困難にしている。
本稿では,2次感度推定によって導かれるH-BACと,量子化と注意に基づく知識蒸留を組み合わせた統合されたビジョントランスフォーマー圧縮フレームワークを提案する。
論文 参考訳（メタデータ） (2026-09-04T16:40:06Z) - From Bit-Position Sensitivity to Unequal Error Protection for DNN Inference Memory [0.4610618579893946]
16のワークロードにわたるML推論において,ビット位置当たりの故障感度を特徴付ける。
我々の中心的な経験的発見は、シャープなビット感度遷移である: 決定論的単一ビットストレステストの下で、データタイプ固有のしきい値であるXsafeに、最も重要でない分数ビットのいずれかをめくって、タスクメトリクスを1%以下に低下させる。
論文 参考訳（メタデータ） (2026-07-21T23:07:56Z) - Cascaded Multi-Granularity Pruning for On-Device LLM Inference in Industrial IoT [4.775543545907101]
本稿では, 層やアテンションヘッド, フィードフォワードチャネルを粗い順序で除去する多粒度刈取フレームワークを提案する。
情報理論解析は、この順序付けを動機付け、構造独立推定(SIA)はチェック可能な条件として定式化される。
NVIDIA DGX Sparkを使用した産業用スリーディングベアリング障害診断プラットフォーム上に展開され、圧縮されたモデルは推論遅延を67.2%、ピークメモリを62.5%削減した。
論文 参考訳（メタデータ） (2026-06-25T10:44:48Z) - SwitchBraidNet: Quantisation-Aware Lightweight Architecture for Hybrid Brain-Computer Interface [7.727905404396572]
運動画像(MI)と定常視覚誘発電位(SSVEP)を統合するハイブリッド脳コンピュータインタフェース(BCI)は、高次元神経デコーディングを提供する。
低消費電力デプロイメント用に設計されたコンパクトなEEG分類アーキテクチャであるSwitchBraidNetを提案する。
論文 参考訳（メタデータ） (2026-06-17T08:35:29Z) - MoDeGPT: Modular Decomposition for Large Language Model Compression [59.361006801465344]
本稿では,新しい構造化圧縮フレームワークである textbfModular bfDecomposition (MoDeGPT) を紹介する。
MoDeGPTはTransformerブロックを行列対からなるモジュールに分割し、隠れた次元を減らす。
本実験では, 後方伝播を伴わないMoDeGPTが, 従来の圧縮手法と一致するか, あるいは超えていることを示す。
論文 参考訳（メタデータ） (2024-08-19T01:30:14Z)
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。