on-device learning | BriefGPT

关键词on-device learning

搜索结果 - 25

TinyML 中基于设备学习的说话人验证
介绍了一种新型的自适应 TinyML 解决方案，可用于需要在设备上学习算法的任务，如识别 Tiny Speaker Verification，并在实际的物联网设备上测试了该解决方案。
PDFa month ago
基于设备的 TinyML 系统的在线学习和语义管理
近年来微型机器学习（TinyML）的最新进展为低占用嵌入式设备提供了实时的设备端机器学习能力。然而，TinyML 的实际实施面临着独特的挑战。本研究旨在弥合原型设计的单一 TinyML 模型与开发可靠的生产级 TinyML 系统之间的差距:
PDF2 months ago
低功耗极端边缘嵌入式系统上的关键词检测设备域学习
在本研究中，我们提出了一个完全基于设备的领域适应系统，相较于已经稳健的关键词识别模型，能够获得 14% 的准确度提升。我们使用少于 10 kB 的内存，仅 100 个标记的话语就能在适应复杂的语音噪声后恢复 5% 的准确度，展示了域适应在低
PDF4 months ago
通过本地可学习用户讲话特征提升关键词检测
在此研究中，我们提出了一种新颖的设备内学习架构，由预训练的主干网络和学习用户语音特征的用户感知特征学习组成，用于解决无人工场景中部署时需要调整离线训练分类器以提高准确性的问题。我们通过更新用户投影来减小从 30.1% 到 24.3% 的错误
PDF4 months ago
超维度计算在边缘智能中的终身应用
设计和部署了首个适用于有限监督的 IoT 应用的设备上终身学习系统 LifeHD，基于 Hyperdimensional Computing (HDC) 的轻量级学习模式，在离线边缘平台上实现，通过智能存储和管理高维、低精度矢量来提高非监督
PDF4 months ago
硬件限制的小型四旋翼无人机上的设备端自监督学习视觉感知任务
通过在纳米无人机上进行设备学习，我们提出了解决领域转换问题的方法，并在实施中取得了重要进展。
PDF4 months ago
使用二进制神经网络实现设备上的持续学习
提出了一种将连续学习和二进制神经网络结合起来的解决方案，同时在设备上进行训练并保持竞争性的性能，该方法利用二进制潜在重播激活和一种新的量化方案，显著减少了梯度计算所需的位数，实验证实了模型的准确性和对内存需求的明显减少，从而扩展了深度学习在
PDF5 months ago
边缘上的设备学习：在预算约束下选择要更新的神经元的方法
挤压在极端存储和计算约束下的设备学习所需资源，提出了一种利用动态神经元选择和有效学习的新方法。
PDF7 months ago
PockEngine: 稀疏高效的口袋微调
PockEngine 是一种稀疏高效引擎，支持边缘设备上的持续学习和隐私保护定制化，实现了快速的微调和多种应用的支持。
PDF8 months ago
一种具有极限边缘智能设备学习能力的精确可扩展 RISC-V DNN 处理器
提出了一种支持多种精度的定点深度神经网络推断和增强设备上学习能力的精度可伸缩的 RISC-V DNN 处理器，通过改进硬件资源利用率，显著提高推断吞吐量和能效，并实现 16.5 倍更高的设备上学习的浮点吞吐量。
PDF10 months ago
基于二进制神经网络的设备上学习
现有的连续学习解决方案只在将深度学习模型部署在低功率嵌入式 CPU 上时部分地解决了功耗、内存和计算的限制。本文提出了一种连续学习解决方案，它结合了连续学习领域的最新进展和二值神经网络（BNN）的高效性，该网络使用 1 位用于权重和激活以高
PDF10 months ago
TinyProp -- 自适应稀疏反向传播用于高效的 TinyML 设备上的学习
使用 TinyProp 方法，在嵌入式设备上训练深度神经网络，可以显著减少计算负载和加快训练速度，同时减少了精度损失。
PDF10 months ago
FedYolo：使用预训练变换器增强联邦学习
本研究探讨了使用预训练转换器来实现设备上的联合学习目标，并深入研究了模型大小和模块化的作用，其中 Modularity 通过提示或适配器等模块实现适应性，Scale 能够减少通信次数。结果证明，使用单个通用模型可以解决多个不相关的任务，并且
PDFa year ago
深度神经网络的降低精度浮点数优化：在微控制器上进行设备端学习
本文提出了一种降低 MCU 类设备上计算量的新型优化技术，使用支持矢量化 16 位浮点 SIMD 操作的 RISC-V RV32 架构，加速了前向和后向传递算法，其计算效率比现有 ODL 软件框架快两个数量级，并且在持续学习设置中比以前的
PDFa year ago
LightESD: 面向边缘计算的全自动轻量级异常检测框架
提出了一种全自动、轻量级、基于统计学习的异常检测框架，该方法适用于边缘设备上学习，不需要边缘设备和服务器之间的数据传输，可以自动适应任何数据集，并在检测准确率、效率和资源消耗方面优于其他最先进的方法。
PDFa year ago
CAMEL: 针对设备上高效学习，协同设计人工智能模型和嵌入式 DRAM
本研究提出了使用嵌入式动态随机访问存储器 (eDRAM) 作为训练数据的主要存储介质来解决物联网 (IoT) 边缘设备上的深度神经网络训练问题，并设计了一种新颖的可逆 DNN 架构和高效的设备端训练引擎 CAMEL 来实现不需 eDRAM
PDFa year ago
动态存储量化用于高效的 Transformer 训练
本文提出一种新颖的动态存储量化策略，Dynamic Stashing Quantization（DSQ），旨在减少内存操作，并享受低精度训练的其他好处，比如减少运算成本，通过在两个翻译任务和三个分类任务上的研究表明，DSQ 在 IWSLT1
PDFa year ago
面向低端边缘设备的设备学习顺序概念漂移检测方法
本文提出一种边缘 AI 系统中的概念漂移检测方法，通过序列计算实现神经网络的重新训练和检测概念漂移，降低计算和内存使用，实现在 Raspberry Pi Pico 等资源受限的设备上的应用。
PDF2 years ago
利用高维计算技术实现可穿戴健康应用的高效个性化学习
研究使用超高维计算的方法实现在可穿戴设备上进行个性化和隐私保护的机器学习，该方案提高了训练的效率，同时精度较高。
PDF2 years ago
On-Device Learning: 基于神经网络的现场可训练边缘 AI
本文介绍了一种基于神经网络的设备本地 (on-device) 学习方法，该方法能够在低端设备上提高边缘人工智能 (Edge AI) 应用的精确度并节省计算和通信成本，特别是在有噪声的环境下重训练 (retraining) 后可显著提高异物检
PDF2 years ago