ترجمه فارسی مقاله چارچوب داده پارتو: گام‌هایی به سوی تصمیم‌گیری کارآمد منابع با استفاده از حداقل داده‌های قابل دوام (MVD)

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Pareto Data Framework: Steps Towards Resource-Efficient Decision Making Using Minimum Viable Data (MVD)
عنوان مقاله به فارسی چارچوب داده پارتو: گام‌هایی به سوی تصمیم‌گیری کارآمد منابع با استفاده از حداقل داده‌های قابل دوام (MVD)
نویسندگان Tashfain Ahmed, Josh Siegel
فرمت مقاله انگلیسی PDF
تعداد صفحات 11
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Artificial Intelligence,Sound,Audio and Speech Processing,یادگیری ماشین , هوش مصنوعی , صدا , صدا و گفتار ,
توضیحات Submitted 18 September, 2024; originally announced September 2024.
توضیحات به فارسی ارائه شده در 18 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

This paper introduces the Pareto Data Framework, an approach for identifying and selecting the Minimum Viable Data (MVD) required for enabling machine learning applications on constrained platforms such as embedded systems, mobile devices, and Internet of Things (IoT) devices. We demonstrate that strategic data reduction can maintain high performance while significantly reducing bandwidth, energy, computation, and storage costs. The framework identifies Minimum Viable Data (MVD) to optimize efficiency across resource-constrained environments without sacrificing performance. It addresses common inefficient practices in an IoT application such as overprovisioning of sensors and overprecision, and oversampling of signals, proposing scalable solutions for optimal sensor selection, signal extraction and transmission, and data representation. An experimental methodology demonstrates effective acoustic data characterization after downsampling, quantization, and truncation to simulate reduced-fidelity sensors and network and storage constraints; results shows that performance can be maintained up to 95\% with sample rates reduced by 75\% and bit depths and clip length reduced by 50\% which translates into substantial cost and resource reduction. These findings have implications on the design and development of constrained systems. The paper also discusses broader implications of the framework, including the potential to democratize advanced AI technologies across IoT applications and sectors such as agriculture, transportation, and manufacturing to improve access and multiply the benefits of data-driven insights.

چکیده به فارسی (ترجمه ماشینی)

در این مقاله چارچوب داده Pareto ، رویکردی برای شناسایی و انتخاب حداقل داده های قابل استفاده (MVD) مورد نیاز برای فعال کردن برنامه های یادگیری ماشین بر روی سیستم عامل های محدود مانند سیستم های تعبیه شده ، دستگاه های تلفن همراه و دستگاه های اینترنتی (IOT) ارائه شده است.ما نشان می دهیم که کاهش داده های استراتژیک می تواند عملکرد بالایی را حفظ کند در حالی که به طور قابل توجهی پهنای باند ، انرژی ، محاسبات و هزینه های ذخیره سازی را کاهش می دهد.این چارچوب حداقل داده های مناسب (MVD) را برای بهینه سازی کارآیی در محیط های محدود شده از منابع بدون قربانی کردن عملکرد مشخص می کند.این روش به شیوه های ناکارآمد متداول در یک برنامه IoT مانند پیشگیری بیش از حد سنسورها و دقت بیش از حد ، و نمونه برداری از سیگنال ها ، ارائه راه حل های مقیاس پذیر برای انتخاب سنسور بهینه ، استخراج سیگنال و انتقال و بازنمایی داده ها می پردازد.یک روش آزمایشی ، توصیف داده های صوتی مؤثر پس از پایین آمدن ، کمیت و کوتاه شدن برای شبیه سازی سنسورهای کاهش یافته وفاداری و محدودیت های شبکه و ذخیره سازی را نشان می دهد.نتایج نشان می دهد که عملکرد را می توان تا 95 \ ٪ حفظ کرد و نرخ نمونه آن با عمق 75 \ ٪ و عمق بیت کاهش می یابد و طول کلیپ تا 50 \ ٪ کاهش می یابد که به هزینه قابل توجهی و کاهش منابع تبدیل می شود.این یافته ها پیامدهایی در طراحی و توسعه سیستم های محدود دارد.در این مقاله همچنین پیامدهای گسترده تری از چارچوب ، از جمله پتانسیل دموکراتیک کردن فن آوری های پیشرفته هوش مصنوعی در برنامه های IoT و بخش هایی مانند کشاورزی ، حمل و نقل و تولید برای بهبود دسترسی و ضرب مزایای بینش داده های محور بحث شده است.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.