Prune2Edge:IIoTにおけるディープアンサンブル学習のための多相枝刈りパイプライン【JST・京大機械翻訳】

Alhalabi Besher; Gaber Mohamed; Basurra Shadi

プレプリント

J-GLOBAL ID：202202209777854586 整理番号：21P0028783

Prune2Edge:IIoTにおけるディープアンサンブル学習のための多相枝刈りパイプライン【JST・京大機械翻訳】

Prune2Edge: A Multi-Phase Pruning Pipelines to Deep Ensemble Learning in IIoT

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (3件)： , ,
資料名：
発行年： 2020年04月09日プレプリントサーバーでの情報更新日： 2021年01月21日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

最近,IoTデバイスの増殖,製造システムIIoT(Industrial-Internet-of-things)における計算ノードおよび5Gネットワークの昼食により,大量のデータを生成する接続されたデバイスが数百万個存在する。そのような環境において,制御システムは,リアルタイムプロセスでの欠陥を検出するために膨大な量のデータを扱うのに十分なインテリジェントである必要がある。このような必要性により,深層学習のような人工知能モデルはIIoTシステムに展開しなければならない。しかし,学習と深層学習モデルの使用は計算的に高価であり,従って,限られた計算力を持つIoT装置はそのようなモデルを実行できなかった。この問題に取り組むために,エッジインテリジェンスは,エッジデバイスに関する人工知能モデルを実行するための新しいパラダイムとして浮上した。この分野でかなりの量の研究が提案されてきたが,研究はまだ初期段階である。本論文では,IIoTデバイス上でのアンサンブル学習に対する新しいエッジベースマルチフェーズ剪定パイプラインを提案した。第1フェーズでは,著者らは,枝刈りモデルの多様な集合を生成し,次に,整数量子化を適用して,次に,著者らは,クラスタ化ベースの技術を用いて,生成された集合を刈り取った。最後に,分散IoT環境に展開するために,各生成クラスタから最良の代表を選択した。CIFAR-100とCIFAR-10では,提案手法は,ベースラインモデル(最大7%)の予測可能性レベルをより上回り,より重要なことに,生成された学習者は,資源制約装置に関する推論を行うために必要な計算能力を最小化する,小さなサイズ(モデルサイズで90%の削減まで)を持つ。【JST・京大機械翻訳】

, , , , , , , ,
, , , , , , 【Automatic Indexing@JST】

計算機網 , 人工知能

, , , ,

前のページに戻る