ترجمه فارسی مقاله یک هسته ODL کوچک تحت نظارت با هرس خودکار داده‌ها برای تشخیص فعالیت انسانی

چکیده

In this paper, we introduce a low-cost and low-power tiny supervised on-device learning (ODL) core that can address the distributional shift of input data for human activity recognition. Although ODL for resource-limited edge devices has been studied recently, how exactly to provide the training labels to these devices at runtime remains an open-issue. To address this problem, we propose to combine an automatic data pruning with supervised ODL to reduce the number queries needed to acquire predicted labels from a nearby teacher device and thus save power consumption during model retraining. The data pruning threshold is automatically tuned, eliminating a manual threshold tuning. As a tinyML solution at a few mW for the human activity recognition, we design a supervised ODL core that supports our automatic data pruning using a 45nm CMOS process technology. We show that the required memory size for the core is smaller than the same-shaped multilayer perceptron (MLP) and the power consumption is only 3.39mW. Experiments using a human activity recognition dataset show that the proposed automatic data pruning reduces the communication volume by 55.7% and power consumption accordingly with only 0.9% accuracy loss.

چکیده به فارسی (ترجمه ماشینی)

در این مقاله ، ما یک هسته یادگیری تحت نظارت بر روی دستگاه (ODL) کم هزینه و کم مصرف را معرفی می کنیم که می تواند به تغییر توزیع داده های ورودی برای تشخیص فعالیت های انسانی بپردازد.اگرچه اخیراً ODL برای دستگاه های لبه محدود منابع مورد مطالعه قرار گرفته است ، اما دقیقاً چگونه می توان برچسب های آموزشی را به این دستگاه ها در زمان اجرا ارائه داد ، همچنان یک موضوع باز است.برای پرداختن به این مشکل ، ما پیشنهاد می کنیم یک هرس داده های اتوماتیک با ODL تحت نظارت را ترکیب کنیم تا تعداد نمایش داده های مورد نیاز برای به دست آوردن برچسب های پیش بینی شده از یک دستگاه معلم در این نزدیکی را کاهش داده و در نتیجه صرفه جویی در مصرف برق در هنگام آموزش مدل.آستانه هرس داده ها به طور خودکار تنظیم می شود و تنظیم آستانه دستی را از بین می برد.به عنوان یک راه حل tinyml در چند مگاوات برای تشخیص فعالیت های انسانی ، ما یک هسته ODL تحت نظارت را طراحی می کنیم که از هرس داده های اتوماتیک ما با استفاده از یک فناوری فرایند CMOS 45 نانومتری پشتیبانی می کند.ما نشان می دهیم که اندازه حافظه مورد نیاز برای هسته کوچکتر از Perceptron چند لایه یکسان (MLP) است و مصرف برق فقط 3.39 مگاوات است.آزمایشات با استفاده از یک مجموعه داده تشخیص فعالیت انسانی نشان می دهد که هرس داده های اتوماتیک پیشنهادی ، حجم ارتباطات را 55.7 ٪ کاهش می دهد و بر اساس آن تنها با 0.9 ٪ از دست دادن دقت مصرف می کند.