面向远程与便携式激光诱导击穿光谱的半监督设备端神经网络自适应
机器学习
2021-04-10 v1 信号处理
光学
摘要
激光诱导击穿光谱(LIBS)是一种流行的、快速的元素分析技术，用于确定目标样品的化学成分，例如金属的工业分析或太空探索。近年来，机器学习(ML)技术用于LIBS数据处理的情况日益增多。然而，LIBS的机器学习具有挑战性，因为：(i)预测模型必须轻量，因为它们需要部署在高度资源受限且由电池供电的便携式LIBS系统中；以及(ii)由于这些系统可能处于远程，模型必须能够自适应输入分布中的任何域偏移，这可能是由于训练数据中缺乏不同类型的输入或动态环境/传感器噪声所致。由于远程LIBS系统中没有新的标注数据，这种设备端模型重训练不仅必须快速，而且还必须是无监督的。我们引入了一种轻量多层感知机(MLP)模型用于LIBS，该模型可在设备端自适应，无需新输入数据的标签。它在数据流传输期间显示出89.3%的平均准确率，并且比不支持自适应的MLP模型准确率最高高出2.1%。最后，我们还在Google Pixel2手机上刻画了模型的推理与重训练性能。
引用
@article{arxiv.2104.03439,
title = {Semi-supervised on-device neural network adaptation for remote and portable laser-induced breakdown spectroscopy},
author = {Kshitij Bhardwaj and Maya Gokhale},
journal= {arXiv preprint arXiv:2104.03439},
year = {2021}
}
备注
Accepted in On-Device Intelligence Workshop (held in conjunction with MLSys Conference), 2021