TinyML：工具、应用、挑战与未来研究方向
机器学习
2023-09-08 v1 人工智能
网络与互联网体系结构
摘要
近年来，人工智能（AI）与机器学习（ML）引起了工业界与学术界的极大关注。值得注意的是，传统 ML 技术需要巨大的功耗才能达到期望的精度，这使其应用主要局限于网络节点等高能力设备。然而，随着物联网（IoT）与边缘计算等技术的诸多进步，人们希望将 ML 技术引入资源受限的嵌入式设备，以实现分布式与普适智能。这催生了 TinyML 范式——一种嵌入式 ML 技术，可在多个廉价、资源与功耗受限的设备上实现 ML 应用。然而，在这一向 TinyML 技术恰当实施的转型过程中，处理能力优化、可靠性提升以及学习模型精度保持等多项挑战亟需及时解决。本文综述了可用于 TinyML 实施的多种途径。首先给出 TinyML 背景，随后详细讨论支持 TinyML 的各类工具。接着详述基于先进技术的 TinyML 前沿应用。最后，指出了若干研究挑战与未来方向。
引用
@article{arxiv.2303.13569,
title = {TinyML: Tools, Applications, Challenges, and Future Research Directions},
author = {Rakhee Kallimani and Krishna Pai and Prasoon Raghuwanshi and Sridhar Iyer and Onel L. A. López},
journal= {arXiv preprint arXiv:2303.13569},
year = {2023}
}
备注
12 pags, 3 tables, 4 figures