文献

J-GLOBAL ID：202002241349352777   整理番号：20A1864011

既存知識移転技術はエッジデバイス上の深層学習に有効か?【JST・京大機械翻訳】

Are Existing Knowledge Transfer Techniques Effective For Deep Learning on Edge Devices?

著者 (3件)： Sharma Ragini (Arizona State University) ,  Biookaghazadeh Saman (Arizona State University) ,  Zhao Ming (Arizona State University)
資料名： ACM Proceedings  (ACM Proceedings)
号： HPDC ’18  ページ： 15-16  発行年： 2018年 
JST資料番号： D0698C  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： エッジコンピューティングパラダイムの出現により,画像認識や拡張現実のような多くのアプリケーションは,エッジデバイス上で機械学習(ML)と人工知能(AI)タスクを行う必要がある。ほとんどのAIとMLモデルは,大きくて,計算が重く,一方,エッジ装置は,通常,限られた計算と貯蔵資源を備えている。そのようなモデルは,エッジデバイス上の展開のために圧縮され,低減されるが,それらは,それらの能力を失い,十分に実行できない。最近の研究では,後者の性能を改善するために,大きなネットワーク(教師付き教師)から小さなもの(学生)への情報を転送するための知識移転技術を使用した。この手法はエッジデバイスの学習に有望であると思われるが,その有効性に関する徹底的な調査が不足している。本論文は,異なる学生アーキテクチャと教師から学生への知識移転のための異なる技術を考慮して,知識移転の性能(精度と収束速度の両方)に関する広範囲な研究を提供する。結果は,KTの性能がアーキテクチャと転送技術によって異なることを示した。良好な性能改善は,中間層と教師の最後の層の両方から浅い学生への知識を伝達することによって得られる。しかし,他のアーキテクチャと転送技術はそれほど良くなく,それらの幾つかは負の性能影響をもたらす。Please refer to this article’s citation page on the publisher website for specific rights information. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： ネットワーク ,  ニューラルネットワーク ,  人工知能 ,  応用プログラム ,  有効性 ,  *計算機アーキテクチャ ,  機械学習 ,  画像認識 ,  拡張現実感
準シソーラス用語： *知識移転 ,  中間層 ,  収束速度 ,  *深層学習 ,  エッジコンピューティング , 【Automatic Indexing@JST】

著者キーワード (4件)： 深層学習 ,  エッジコンピューティング ,  知識移転 ,  ニューラルネットワーク

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (3件)： 知識移転 ,  エッジ ,  深層学習