論文の概要: Anomaly Detection on Resource-Constrained Devices with Reservoir Computing

• arxiv url: http://arxiv.org/abs/2611.04835v1
• Date: Tue, 03 Nov 2026 13:04:50 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-04 17:35:29.935541
• Title: Anomaly Detection on Resource-Constrained Devices with Reservoir Computing
• Title（参考訳）: 貯留層計算を用いた資源制約装置の異常検出
• Abstract要約: 資源制約装置に対する教師なし時系列異常検出手法について検討した。 我々は、ランダムな貯水池接続(MDRS-Rand)を円形シフト(MDRS-Circ)に置き換え、最終貯水池状態のみから時系列全体の異常スコアを計算可能であることを示す。
• 参考スコア（独自算出の注目度）: 5.846230849308742
• License:
• Abstract: Anomaly detection at the edge requires the deployment of models that achieve competitive performance, while minimizing computational cost and memory footprint. In this article, we investigate the suitability of the Mahalanobis Distance of Reservoir States (MDRS), an unsupervised time-series anomaly detection method, for resource-constrained devices and propose two optimizations to reduce its computational requirements. Specifically, we replace random reservoir connectivity (MDRS-Rand) with a circular shift (MDRS-Circ) and show that the anomaly score for an entire time series can be computed from the final reservoir state alone. Furthermore, we show that exploiting the reservoir's temporal memory enables more efficient input preprocessing, further reducing computational cost. We evaluate the MDRS variants on the MLPerf Tiny anomaly detection benchmark against the reference autoencoder and other anomaly detection methods, and deploy their inference kernels on a NUCLEO-F401RE microcontroller to assess latency, estimate energy consumption, and measure memory footprint. Among the evaluated methods, only MDRS and the autoencoder meet the benchmark's performance target, with MDRS requiring fewer operations and smaller models. With optimized preprocessing, MDRS achieves an ROC AUC of 0.869, a model size of 24 KB, an estimated energy consumption of 24 uJ per inference, and a latency of 0.32 ms, corresponding to a 75.9x speedup over the autoencoder with standard preprocessing.
• Abstract（参考訳）: エッジでの異常検出には、計算コストとメモリフットプリントを最小限に抑えながら、競合するパフォーマンスを達成するモデルが配置される必要がある。 本稿では,資源制約のあるデバイスに対する非教師付き時系列異常検出手法であるMahalanobis Distance of Reservoir States (MDRS) の適合性について検討し,その計算要求を削減するために2つの最適化を提案する。 具体的には、ランダムな貯水池接続(MDRS-Rand)を円形シフト(MDRS-Circ)に置き換え、最終貯水池状態のみから時系列全体の異常スコアを計算可能であることを示す。 さらに,貯水池の時間記憶を利用することで,より効率的な入力前処理が可能であり,計算コストの低減が図られている。 MLPerf Tinyの異常検出ベンチマークにおけるMDRS変種を、参照オートエンコーダや他の異常検出方法と比較し、NUCLEO-F401REマイクロコントローラに推論カーネルを配置し、遅延を評価し、エネルギー消費を推定し、メモリフットプリントを測定する。 評価手法のうち、MDRSとオートエンコーダのみがベンチマークのパフォーマンス目標を満たす。 最適化前処理により、MDRSはROC AUCの0.869、モデルサイズ24KB、推定エネルギー消費量24 uJ、および標準前処理によるオートエンコーダの75.9倍のスピードアップに対応する0.32msを達成する。

関連論文リスト

• Sampling Interventional Distributions with Orthogonal MMD Flow [57.804952843992744]
  本稿では,カーネルの平均埋め込みによる対象の介入分布を表す粒子ベース手法を提案する。 IMMD-Flowはハードとソフトの両方の介入を許容し、推定と粒子近似の理論的保証を認め、凍結エンコーダを通して高次元の画像結果に拡張する。
  論文  参考訳（メタデータ） (2026-11-02T21:03:02Z)
• ArrythML: An Autoencoder-Based TinyML Approach for On-Device Arrhythmia Detection on Resource-Constrained Embedded Systems [0.14732811715354452]
  本稿では,Tiny Machine Learning(TinyML)モデルを用いたECGセグメンテーションと不整脈検出の手法を提案する。 これらのモデルは、MIT-BIH Arrhythmia Databaseから派生したカスタムデータセットを用いて評価され、PCベースのシミュレーションとオンデバイス環境の両方で検証される。
  論文  参考訳（メタデータ） (2026-06-01T13:43:30Z)
• Fully Autonomous Z-Score-Based TinyML Anomaly Detection on Resource-Constrained MCUs Using Power Side-Channel Data [0.13750624267664155]
  本稿では,低消費電力マイクロコントローラに実装した完全自律型Tiny Machine Learning (TinyML) Z-Scoreによる異常検出システムを提案する。 異常は軽量なZスコアしきい値を用いて検出され、組み込み配置に適した解釈可能かつ計算効率の良い推論が可能である。 結果は、精度1.00の精度とリコール、数十マイクロ秒の推論レイテンシ、メモリフットプリント全体の約3.3KBと63KBのフラッシュの完全な検出性能を示す。
  論文  参考訳（メタデータ） (2026-03-28T20:15:50Z)
• Tiny Inference-Time Scaling with Latent Verifiers [56.696619768584675]
  Verifier on Hidden States (VHS) は、Diffusion Transformer (DiT) の中間的な隠れ表現で動作する。 VHSは、画素空間に復号することなくジェネレータ機能を解析することにより、候補毎の検証コストを削減できる。 VHSは同じ推論時予算でGenEvalを+2.7%改善する。
  論文  参考訳（メタデータ） (2026-03-23T19:00:02Z)
• ODAR: Principled Adaptive Routing for LLM Reasoning via Active Inference [60.958331943869126]
  ODAR-Expertは、原則化されたリソース割り当てによる精度と効率のトレードオフを最適化する適応的なルーティングフレームワークである。 我々は、MATHの98.2%の精度、HumanityのLast Examの54.8%を含む、強く一貫した利得を示している。
  論文  参考訳（メタデータ） (2026-02-27T05:22:01Z)
• Federated Learning with Reservoir State Analysis for Time Series Anomaly Detection [1.1557852082644076]
  フェデレートラーニングでは、複数のクライアントによるローカルモデルトレーニングとサーバによるモデル統合は、モデルパラメータ共有によってのみ繰り返される。 本研究では,計算効率とデータプライバシ保護を同時に求めるために,貯水池状態解析を用いたフェデレーション学習手法を提案する。 時系列異常検出のためのベンチマークデータセットを用いて,InFed MD-RSの性能評価を行った。
  論文  参考訳（メタデータ） (2025-02-08T20:00:23Z)
• Accelerating TinyML Inference on Microcontrollers through Approximate Kernels [3.566060656925169]
  本研究では、近似計算とソフトウェアカーネル設計を組み合わせることで、マイクロコントローラ上での近似CNNモデルの推定を高速化する。 CIFAR-10データセットでトレーニングされたSTM32-Nucleoボードと2つの人気のあるCNNによる評価は、最先端の正確な推測と比較すると、平均21%のレイテンシ削減が可能であることを示している。
  論文  参考訳（メタデータ） (2024-09-25T11:10:33Z)
• DA-Flow: Dual Attention Normalizing Flow for Skeleton-based Video Anomaly Detection [52.74152717667157]
  本稿では,DAM(Dual Attention Module)と呼ばれる軽量モジュールを提案する。 フレームアテンション機構を使用して、最も重要なフレームを識別し、スケルトンアテンション機構を使用して、最小パラメータとフロップで固定されたパーティション間の広範な関係をキャプチャする。
  論文  参考訳（メタデータ） (2024-06-05T06:18:03Z)
• Value-Driven Mixed-Precision Quantization for Patch-Based Inference on Microcontrollers [35.666772630923234]
  QuantMCUは、値駆動型混合精度量子化を利用して冗長計算を減らす、パッチベースの新しい推論手法である。 我々は,QuantMCUが平均2.2倍の計算量を削減できることを示す。
  論文  参考訳（メタデータ） (2024-01-24T04:21:41Z)
• SreaMRAK a Streaming Multi-Resolution Adaptive Kernel Algorithm [60.61943386819384]
  既存のKRRの実装では、すべてのデータがメインメモリに格納される必要がある。 KRRのストリーミング版であるStreaMRAKを提案する。 本稿では,2つの合成問題と2重振り子の軌道予測について紹介する。
  論文  参考訳（メタデータ） (2021-08-23T21:03:09Z)

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。