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。
エッジコンピューティングの来る時代において,エッジにおける高速訓練と分類を実行する能力は,限られた連結性,ハードウェア資源,プライバシー問題,収益性,およびより多くの要求のため,増加する必要性である。したがって,著者らは, Dueと呼ばれる新しい分類器を提案した。モノリシックのものの代わりに2つの分類器を用いて,バギングとブースティングディシジョンツリーベースアンサンブル法(DTEM)の利点を組み込んだ。簡単なバギングモデルを訓練データセット全体を用いて訓練し,より容易な概念を捉えるのに責任がある。次に,ブーギングモデルがハードを見つける概念を表すデータセットの一部だけを用いて,ブースティングモデルを訓練した。全体のプロセス資源を効率的にするために,バギングモデルがハードを見つけるという概念に関してデータをランク付けするための新しい発見的アプローチを開発した。このアプローチを用いて,ブースティングモデル訓練のためのデータセット分率を決定するデータインスタンス予測可能性と名づけた。スカイキット-学習分類器として実装する。異なるドメインからのデータセットを用いた評価と,異なる特性により,分類精度とシステム性能の間のより良いトレードオフを,モノリシックDTEMsより示した。さらに,資源制約ラズベリーPi3デバイスに対する評価において,全ての訓練タスクを完全に完了することに成功し,そこでは,いくつかのモノリシックモデルが不十分な資源により失敗し,資源制約エッジデバイスに対するより広範な適用性を示した。その理由は,資源効率の良い分類における進歩の努力の一部であり,そのスカイキット実行はhttps://research.vmware.com/projects/efficient-machine-learning-classificationで見つかる。Please refer to this article’s citation page on the publisher website for specific rights information. Translated from English into Japanese by JST.【JST・京大機械翻訳】
