面向人类活动识别的纳米级机器学习
机器学习
2025-02-19 v1 人工智能
摘要
人类活动识别 (Human Activity Recognition, HAR) 对 healthcare、fitness 和 IoT 应用至关重要，但在资源受限设备上部署准确模型仍具有挑战性, due to high energy and memory demands. 本文演示了将可微分无重量神经网络 (Differentiable Weightless Neural Networks, DWNs) 应用于 HAR 的做法, 在仅消耗 56nJ 和 104nJ 每个样本, 推理时间仅为 5ns 每个样本的情况下, 实现了 96.34% 和 96.67% 的竞争性准确率. 将 DWNs 实现并在 FPGA 上进行评估, 展示了其在能源效率硬件部署中的实际可行性. DWNs 在能源消耗和内存占用方面分别比最先进的深度学习方法实现了最高可达 926,000 倍的能源节省和 260 倍的内存降低. 这些结果将 DWNs 定位为面向 HAR 的纳米级机器学习模型, 为边缘和可穿戴设备在能源效率和紧凑性方面树立了新的基准, 为 ultra-efficient edge AI 铺平了道路.
关键词
引用
@article{arxiv.2502.12173,
title = {nanoML for Human Activity Recognition},
author = {Alan T. L. Bacellar and Mugdha P. Jadhao and Shashank Nag and Priscila M. V. Lima and Felipe M. G. Franca and Lizy K. John},
journal= {arXiv preprint arXiv:2502.12173},
year = {2025}
}
备注
Accepted as a full paper by the 2025 EDGE AI FOUNDATION Austin