抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
低資源エンドポイント装置とエッジサーバの間の協調深層学習推論は,ここ数年,重要な研究興味を受けてきた。このような計算分割は,エンドポイントデバイスのエネルギー消費を減らし,待ち時間を改善するのを助けることができるが,同様に,感度データのプライバシー保護にも寄与する。本論文は,エッジサーバと1つ以上のクライアントデバイスの間の機械学習推論を分配するための柔軟だが軽量な計算フレームワークであるEdge-PRUNEについて述べた。従来手法と比較して,Edge-PRUNEは形式的データフローコンピューティングモデルに基づいており,機械学習訓練フレームワークに対して診断的であり,組込みGPUのような深い学習アクセラレータをレバレッジするために,同時に広いサポートを提供する。本論文の実験セクションは,無線と物理的接続に関して,2つの異種エンドポイント装置とエッジサーバに関する画像分類とオブジェクト追跡アプリケーションによって,Edge-PRUNEの使用と性能を実証した。例えば,SSD-Mobilenetベースの物体追跡のためのエンドポイントデバイス推論時間は,協調推論によって5.8x加速される。【JST・京大機械翻訳】