文献

J-GLOBAL ID：202102210900017401   整理番号：21A0539872

資源制限IoTデバイスのための効率的な深層構造学習【JST・京大機械翻訳】

Efficient Deep Structure Learning for Resource-Limited IoT Devices

著者 (6件)： Shen Shibo (Zhejiang University,College of Information Science and Electronic Engineering,Hangzhou,China) ,  Li Rongpeng (Zhejiang University,College of Information Science and Electronic Engineering,Hangzhou,China) ,  Zhao Zhifeng (Zhejiang Lab,Hangzhou,China) ,  Liu Qing (Huawei Technologies Co. Ltd.,Shanghai,China) ,  Liang Jing (Huawei Technologies Co. Ltd.,Shanghai,China) ,  Zhang Honggang (Zhejiang University,College of Information Science and Electronic Engineering,Hangzhou,China)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： GLOBECOM  ページ： 1-6  発行年： 2020年 
JST資料番号： W2441A  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： 今日,深層ニューラルネットワーク(DNN)は,センシング,イメージング,分類,認識など多くの機能を実現するために急速に展開され,DNNの計算集約的要求は,資源制限モノのインターネットIoTデバイスに適用できない。本論文では,DNNの表現能力を損なうことに基づいて,よりコンパクトな構造を明らかにし,その有効重みを学習することにより,DNNの計算コストを低減することを目的とした新しい枝刈りベースのパラダイムを提案した。特に,このアルゴリズムは,冗長なニューラルネットワークを,特に目標とする圧縮速度を有するコンパクトなものに転送する効率的なエンドツーエンド訓練を達成できる。種々の代表的ベンチマークデータセットに関する著者らのアプローチを包括的に評価し,典型的な先進畳込みニューラルネットワーク(CNN)アーキテクチャと比較した。実験結果は,著者らの方式の優れた性能とロバスト有効性を証明した。例えば,CIFAR-10にVGGを剪定する場合,提案スキームは,そのFLOP(浮動点演算)とパラメータ数を,それぞれ76.2%と94.1%の割合で大幅に低減でき,一方,まだ十分な精度を維持した。要約するために,著者らの方式は,一般的機械学習ベースのIoTフレームワークへのDNNの統合を容易にすることができて,クラウドとエッジの両方におけるニューラルネットワークの分散訓練を確立することができた。Copyright 2021 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  *学習 ,  冗長性 ,  ニューラルネットワーク ,  演算 ,  画像処理 ,  深層構造 ,  エンドツーエンド方式 ,  計算機アーキテクチャ ,  ロバスト性 ,  機械学習
準シソーラス用語： 計算コスト ,  *モノのインターネット ,  ディープニューラルネットワーク ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (4件)： 資源制限 ,  IoTデバイス ,  深層構造 ,  学習