Indagine sull'Apprendimento su Dispositivo TinyML Categorizza il Cambiamento di Distribuzione
Una nuova indagine esamina circa 70 lavori sull'apprendimento su dispositivo (ODL) per TinyML, concentrandosi su come il cambiamento di distribuzione post-distribuzione influenzi i modelli di machine learning su dispositivi di classe microcontrollore. L'indagine categorizza i tipi di cambiamento di distribuzione e analizza il loro impatto su applicazioni, hardware e strutture delle soluzioni. Identifica un divario persistente tra i benchmark metodologici e gli scenari di distribuzione reali.
Fatti principali
- I modelli di machine learning su dispositivi di classe microcontrollore (TinyML) affrontano il cambiamento di distribuzione post-distribuzione.
- L'apprendimento su dispositivo (ODL) esegue il processo di apprendimento direttamente sul dispositivo.
- Vengono esaminati circa 70 lavori ODL.
- L'indagine è organizzata secondo il principio del regime di cambiamento di distribuzione.
- Diversi tipi di cambiamento di distribuzione richiedono soluzioni diverse.
- L'indagine analizza come il cambiamento di distribuzione influenzi applicazioni, hardware e strutture delle soluzioni.
- Viene identificato un divario persistente tra i benchmark metodologici e la distribuzione reale.
- L'indagine proviene da arXiv, cronologia di invio non specificata.
Entità
Istituzioni
- arXiv