Feb, 2024

智能选择传感器数据传输的插件式微型 AI 模块

PDF
TL;DR提出了一种新的传感模块，通过在传感器附近集成高效的机器学习模型，为传感框架提供智能数据传输能力，以解决当前传感系统中缺乏定向智能的问题，并通过调节数据传输频率，仅传输有价值的数据并丢弃无关信息。该模型经过量化和优化，用于实时传感器控制，结合定制化的训练过程和利用时间信息的 “懒惰” 传感器停用策略来增强框架性能，通过软件和硬件组件实现。实验证明，利用该模块的框架在能源消耗和存储方面实现了超过 85％的系统效率，并对性能几乎没有影响。该方法有潜力显著减少传感器的数据输出，从而惠及各种物联网应用。
发现论文，激发创造
  • 一个混合深度学习架构用于隐私保护移动分析

    本篇论文提出了一种用于合作、隐私保护分析的深度神经网络混合方法，使用边缘处理的思想，在保持效益的同时，有效减少了不必要、潜在敏感信息的级别。利用 Siamese 微调技术，可以确保用户设备只带有主任务所需的必要信息，并防止数据的二次推断。

    Mar, 2017

  • 物联网作为深度神经网络

    本文研究了如何通过深度神经网络的测量压缩和推理，实现 IoT 数据通信的有效率，并在实验中取得了 96% 的数据传输量节省和 2.5% 推理准确度下降的成果。

    Mar, 2020

  • 多联感知技术：面向物联网的大规模多传感器学习

    提出了 MultiIoT，这是迄今为止最广泛的物联网基准，涵盖了来自 12 种方式和 8 项任务的超过 115 万个样本，引入了在学习许多感知模式、跨长时间范围内进行细粒度交互以及由于现实世界传感器的唯一结构和噪声拓扑而导致的极端异质性等方面的独特挑战，同时发布了一组强大的建模基线，从方式和任务特定方法到多感官和多任务模型，以鼓励未来在物联网的多感官表征学习方面的研究。

    Nov, 2023

  • 如何在规模上管理微型机器学习：工业视角

    本文提出了一个基于语义 Web 技术的框架，旨在管理 TinyML 模型和 IoT 设备的组合，包括建模信息、组合发现和基准测试，并支持 TinyML 组件的交换和再利用。作者设计了一个神经网络模型本体论，并以 W3C Thing Description 为基础，描述和维护 23 个公共 ML 模型和 6 个 IoT 设备的知识图谱。通过三个案例研究，验证了该框架的有效性和可重复性。

    Feb, 2022

  • 异构低功耗 SoC 的机器学习本地评估工具包

    本文介绍了一种名为 U-TOE 的通用工具包，它结合了低功耗嵌入式操作系统、通用模型转换器和编译器、集成性能测量模块以及开放访问的远程 IoT 测试平台的功能，旨在为 AIoT 设计师和研究人员提供便利，加速边缘计算的发展。

    Jun, 2023

  • 动态提前退出预测编码神经网络

    借鉴人脑的高效率和低功耗，本文提出了一种基于预测编码理论和动态提前终止的浅双向网络，以加入硬件有限资源在设计过程中，实现在 CIFAR-10 图像分类上与 VGG-16 相当准确率的结果，使用更少的参数和较低的计算复杂度。

    Sep, 2023

  • 物联网数据分析的机器学习：一项调查

    本文评估了处理物联网数据挑战的不同机器学习方法，以智能城市为主要案例。该研究的关键贡献是提供一个机器学习算法分类法，阐述如何应用不同技术从数据中提取高层次信息。此外，还讨论了机器学习在物联网数据分析中的潜力和挑战，并介绍了应用支持向量机（SVM）在奥尔胡斯智能城市交通数据上的案例。

    Feb, 2018

  • 一种用于无线物联网中带宽高效分布式推理的学习框架

    本文提出一种基于深度学习的机器消耗数据压缩和量化框架，以最大化在融合中心推导出的全局决策的准确性为目标，并提出以感测目标为设计基础的数据压缩机制和熵量化器方法，相较于其他基准模型在性能上有较大提升。

    Mar, 2022

  • 多智能体分布式学习中的不确定性估计

    通过开发并建立新的方法，KDT NEUROKIT2E 项目旨在为边缘设备上的人工智能应用提供新的开源框架，其中包括量化、剪枝感知训练和稀疏化等创新技术，以显著扩展此类设备的功能范围，利用本地资源来处理复杂的机器学习任务，为创新的学习方法奠定基础。

    Nov, 2023

  • TinyML: 工具、应用、挑战和未来研究方向

    综述了 TinyML 的背景、各种支持 TinyML 的工具、利用先进技术进行 TinyML 的最新应用以及未来研究方向，TinyML 是一种嵌入式 ML 技术，使 ML 应用程序能够在多个廉价、资源和功耗受限设备上运行

    Mar, 2023