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。
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】