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。
深層学習モデルは,画像分類,音声認識,および拡張現実のようなエッジデバイスに様々な知的アプリケーションを導入した。個別化,応答,および私的学習を配信するために,デバイスに関するそのようなモデルの訓練の必要性が増加している。この必要性に取り組むために,本論文では,資源制約付きデバイスに関する最先端モデルを展開し訓練するための新しい解決策を提示した。最初に,本論文では,精度の大きな損失なしに,クラウドで訓練された大規模モデルから軽量訓練可能なモデルを作成するための,新しいフィルタ-プルーニングベースのモデル圧縮法を提案した。第2に,新しいデータに関するインクリメンタル学習を用いて実時間または実時間でインクリメンタルに更新するためのオンデバイスモデルを可能にする新しい知識転送法を提案し,教師なし方式でクラウド内モデルの助けで,非セーンカテゴリを学習するためのオンデバイスモデルを可能にした。結果は,1)著者らのモデル圧縮法がWRN-28-10の99.36%パラメータまで除去でき,一方,CIFAR-10上で90%以上のTop-1精度を維持することを示した。2)著者らの知識移転方法は,CIFAR-10に関して90%以上の精度を達成する圧縮モデルを可能にして,古いカテゴリーに関して良い精度を保持した。3)圧縮モデルは,増分学習タスクのエッジで実時間(3から6分)以内に収束する。4)それは,モデルが訓練されないデータ(78.92%Top-1精度)の分類を分類できる。【JST・京大機械翻訳】