基于神经形态高能效时间神经网络的时间序列信号无监督聚类
机器学习
2021-06-01 v1 人工智能
新兴技术
摘要
无监督时间序列聚类是一个具有多种工业应用（如异常检测、生物可穿戴设备等）的挑战性问题。这些应用通常涉及在边缘收集和处实时感官信号的小型低功耗设备。最先进的时间序列聚类方法执行某种形式的损失最小化，从边缘设备的角度来看计算极其密集。在这项工作中，我们提出了一种基于时间神经网络的无监督时间序列聚类神经形态方法，能够进行超低功耗、连续的在线学习。我们在 UCR 时间序列归档数据集的一个子集上展示了其聚类性能。我们的结果表明，所提出的方法优于或与大多数现有算法性能相当，同时更易于高效的硬件实现。我们的硬件评估分析显示，在 7 nm CMOS 工艺下，所提出的架构平均仅消耗约 0.005 mm^2 芯片面积和 22 uW 功率，并且能以约 5 ns 延迟处理每个信号。
引用
@article{arxiv.2102.09200,
title = {Unsupervised Clustering of Time Series Signals using Neuromorphic Energy-Efficient Temporal Neural Networks},
author = {Shreyas Chaudhari and Harideep Nair and José M. F. Moura and John Paul Shen},
journal= {arXiv preprint arXiv:2102.09200},
year = {2021}
}
备注
Accepted for publication at ICASSP 2021