論文の概要: Energy Measurement and Optimization of TinyML in Resource-Constrained Embedded Systems: A Systematic Mapping Study
- arxiv url: http://arxiv.org/abs/2611.07264v1
- Date: Thu, 05 Nov 2026 00:32:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 21:50:50.476628
- Title: Energy Measurement and Optimization of TinyML in Resource-Constrained Embedded Systems: A Systematic Mapping Study
- Title（参考訳）: 資源制約組込みシステムにおけるTinyMLのエネルギー測定と最適化:システムマッピングによる検討
- Abstract要約: IoT(Internet of Things)は、ネットワークエッジで生成されたデータ量を増やしている。
Tiny Machine Learning (TinyML)は、マイクロコントローラ、スマートセンサー、その他のリソース制約のあるプラットフォーム上で機械学習タスクの実行を可能にする。
本研究では,エネルギーを意識したTinyML研究の体系的なマッピングを提案する。
- 参考スコア（独自算出の注目度）: 0.23453441553817042
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The rapid expansion of the Internet of Things (IoT) has increased the volume of data generated at the network edge, where many devices operate under severe memory, processing, and energy constraints. In this context, Tiny Machine Learning (TinyML) enables machine learning (ML) tasks to be executed on microcontrollers, smart sensors, and other resource-constrained platforms. However, the literature remains heterogeneous regarding the algorithms evaluated, energy-measurement methods, reported metrics, influencing factors, and optimization strategies. This study presents a systematic mapping of energy-aware TinyML research. It identifies the main models and learning approaches, classifies energy-evaluation methodologies and metrics, examines the technical factors affecting energy consumption, and organizes the reported optimization techniques into a structured taxonomy. The findings highlight the frequent use of convolutional and lightweight architectures, direct measurements and analytical estimations, and factors related to model architecture, hardware, communication, numerical precision, and input characteristics. The optimization strategies were grouped into model compression, hardware-aware design, system and communication optimization, and data and processing optimization. The results also reveal limited standardization in experimental platforms, measurement procedures, and reporting practices, limiting reproducibility and direct comparison across studies. This mapping provides an updated overview of the field and guidance for developing and evaluating more energy-efficient TinyML solutions.
- Abstract（参考訳）: IoT(Internet of Things)の急速な拡張は、多くのデバイスが厳しいメモリ、処理、エネルギー制約の下で動作しているネットワークエッジで生成されたデータ量を増やしている。
このコンテキストにおいて、Tiny Machine Learning(TinyML)は、マイクロコントローラ、スマートセンサー、その他のリソース制約されたプラットフォーム上で機械学習(ML)タスクを実行可能にする。
しかし、評価されたアルゴリズム、エネルギー測定方法、報告された指標、影響要因、最適化戦略等については異質な文献が残されている。
本研究では,エネルギーを意識したTinyML研究の体系的なマッピングを提案する。
主なモデルと学習アプローチを特定し、エネルギー評価方法論とメトリクスを分類し、エネルギー消費に影響を与える技術的要因を調べ、報告された最適化テクニックを構造化された分類に整理する。
この結果は,畳み込み型および軽量型アーキテクチャの頻繁な使用,直接測定および解析的推定,モデルアーキテクチャ,ハードウェア,通信,数値精度,入力特性に関連する要因を浮き彫りにした。
最適化戦略は、モデル圧縮、ハードウェア対応設計、システムと通信の最適化、データと処理の最適化にグループ化された。
また,実験プラットフォーム,測定手順,報告プラクティスの標準化が制限され,再現性や研究間の直接比較が制限された。
このマッピングは、よりエネルギー効率の良いTinyMLソリューションの開発と評価のための分野の概要とガイダンスを更新した。
関連論文リスト
- Energy Efficient Software Hardware CoDesign for Machine Learning: From TinyML to Large Language Models [0.4852108302782534]
本研究は,エッジ推論とトレーニングを対象とするエネルギー効率のよいソフトウェアハードウェア設計手法を,データセンター規模のLCMサービスにレビューする。
共通設計レバーとトレードオフを蒸留し、クロスプラットフォームの一般化、大規模でコストのかかる共同設計の検索スペース、ワークロードとデプロイメント設定間の一貫性のないベンチマークなど、繰り返し発生するギャップを強調します。
最後に、最適化戦略を計算的役割にマッピングし、漸進的適応をサポートし、エネルギーと炭素を意識したMLシステムを構築するための実践的なガイダンスを提供する階層的な分解の観点を概説する。
論文 参考訳（メタデータ） (2026-03-24T19:10:42Z) - Designing Object Detection Models for TinyML: Foundations, Comparative Analysis, Challenges, and Emerging Solutions [8.313977832587684]
オブジェクト検出(OD)は多くのコンピュータビジョンアプリケーションにとって不可欠だが、リソースに制約のあるIoTデバイスにデプロイすることは大きな課題である。
TinyMLは、超低消費電力デバイス上でODを有効にし、エッジでの効率的なリアルタイム処理を実現することで、魅力的なソリューションを提供する。
本稿では、リソース制約のあるデバイスにODモデルをデプロイするための鍵となる最適化手法を詳細に分析する。
論文 参考訳（メタデータ） (2025-08-11T17:28:59Z) - Machine-Learning-Assisted Photonic Device Development: A Multiscale Approach from Theory to Characterization [80.82828320306464]
フォトニックデバイス開発(PDD)は、様々な波長、スケール、アプリケーションにまたがる光を制御する新しいデバイスの設計と実装において大きな成功を収めた。
PDDは、設計パラメータからデバイス動作を導出する、デバイス性能をシミュレーションする、最適なデバイスを製造する、デバイス性能を測定する、という5段階の反復的プロセスである。
PDDは、大規模な最適化の展望、構造的または光学的特徴の不確実性、堅牢な製造プロセスの実装の困難に悩まされている。
本稿では,機械学習支援型PDDの実現に向けて,これらの手法の総合的な展望を示す。
論文 参考訳（メタデータ） (2025-06-24T23:32:54Z) - Frugal Machine Learning for Energy-efficient, and Resource-aware Artificial Intelligence [13.783950035836593]
FML(Frugal Machine Learning)とは、機械学習(ML)モデルを設計するプラクティスである。
FMLの戦略は、入力自由度、学習プロセス自由度、モデル自由度に大別できる。
この章では、FMLの最近の進歩、応用、オープンな課題について説明する。
論文 参考訳（メタデータ） (2025-06-02T16:56:21Z) - A Survey on Inference Optimization Techniques for Mixture of Experts Models [50.40325411764262]
大規模Mixture of Experts(MoE)モデルは、条件計算によるモデル容量と計算効率の向上を提供する。
これらのモデル上で推論をデプロイし実行することは、計算資源、レイテンシ、エネルギー効率において大きな課題を示す。
本調査では,システムスタック全体にわたるMoEモデルの最適化手法について分析する。
論文 参考訳（メタデータ） (2024-12-18T14:11:15Z) - A Survey of Small Language Models [104.80308007044634]
小言語モデル (SLM) は, 計算資源の最小化による言語タスクの効率化と性能の向上により, ますます重要になってきている。
本稿では,SLMのアーキテクチャ,トレーニング技術,モデル圧縮技術に着目した総合的な調査を行う。
論文 参考訳（メタデータ） (2024-10-25T23:52:28Z) - LLMC: Benchmarking Large Language Model Quantization with a Versatile Compression Toolkit [55.73370804397226]
鍵圧縮技術である量子化は、大きな言語モデルを圧縮し、加速することにより、これらの要求を効果的に軽減することができる。
本稿では,プラグアンドプレイ圧縮ツールキットであるLLMCについて,量子化の影響を公平かつ体系的に検討する。
この汎用ツールキットによって、我々のベンチマークはキャリブレーションデータ、アルゴリズム(3つの戦略)、データフォーマットの3つの重要な側面をカバーしています。
論文 参考訳（メタデータ） (2024-05-09T11:49:05Z) - A survey on efficient vision transformers: algorithms, techniques, and
performance benchmarking [19.65897437342896]
Vision Transformer (ViT) アーキテクチャは、コンピュータビジョンアプリケーションに取り組むために人気が高まり、広く使われている。
本稿では,ビジョントランスフォーマーを効率的にするための戦略を数学的に定義し,最先端の方法論を記述・議論し,その性能を異なるアプリケーションシナリオで解析する。
論文 参考訳（メタデータ） (2023-09-05T08:21:16Z)
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。