平衡精度、实时性与效率的传感器校准模型
机器学习
2025-11-11 v1 人工智能
摘要
大多数设备端传感器校准研究仅针对三个宏观需求（即精度、实时性和资源效率）对模型进行基准测试，从而隐藏了诸如瞬时误差和最坏情况延迟等部署瓶颈。因此，我们将这个三元组分解为八个微观需求，并引入了Scare（平衡精度、实时性和效率的传感器校准模型），一种满足所有这些需求的超压缩Transformer。SCARE包含三个核心组件：(1) 序列透镜投影器(SLP)，对数压缩时间序列数据，同时保留跨区间的边界信息；(2) 高效位级注意力(EBA)模块，通过二进制哈希码用位运算替代昂贵的乘法；(3) 哈希优化策略，确保无需辅助损失项即可稳定训练。这些组件共同最小化了计算开销，同时保持了高精度和与微控制器单元(MCU)的兼容性。在大型空气质量数据集和真实微控制器部署上的大量实验表明，Scare优于现有的线性、混合和深度学习基线，据我们所知，这使得Scare成为首个同时满足所有八个微观需求的模型。
引用
@article{arxiv.2511.06715,
title = {Sensor Calibration Model Balancing Accuracy, Real-time, and Efficiency},
author = {Jinyong Yun and Hyungjin Kim and Seokho Ahn and Euijong Lee and Young-Duk Seo},
journal= {arXiv preprint arXiv:2511.06715},
year = {2025}
}