通过设备端学习弥合训练数据与部署环境之间的差距
机器学习
2023-12-27 v4 人工智能
摘要
微型机器学习（tinyML）应用的准确性常受各种环境因素影响，如噪声、传感器的位置/校准以及与时间相关的变化。本文介绍一种基于神经网络的设备端学习（ODL）方法，通过在部署环境中进行重训练来解决此问题。我们的方法依赖于为低端边缘设备定制的多个神经网络的半监督序列训练。本文介绍了其算法以及在由 Raspberry Pi Pico 和低功耗无线模块组成的无线传感器节点上的实现。使用旋转机械振动模式的实验表明，在噪声环境中，与仅进行预测的深度神经网络相比，通过 ODL 进行重训练提高了异常检测的准确性。结果还表明，ODL 方法可以为电池供电的物联网设备节省通信成本和能耗。
引用
@article{arxiv.2203.01077,
title = {Addressing Gap between Training Data and Deployed Environment by On-Device Learning},
author = {Kazuki Sunaga and Masaaki Kondo and Hiroki Matsutani},
journal= {arXiv preprint arXiv:2203.01077},
year = {2023}
}