Core Concepts
小型モデルの精度向上とハードウェア効率を実現するためのスケジュールされた知識蒸留手法を提案。
Abstract
ABSTRACT
BCIはリアルタイムで迅速なフィードバックを提供するために設計されている。
低次元計算分類器(LDC)は、古典的な特徴エンジニアリングよりも高い精度を達成。
知識蒸留により、小さなモデルの精度向上が可能。
INTRODUCTION
EEG信号を使用したBCIへの応用が一般的。
DNNは高い分類精度を示すが、計算量が多く遅延が発生。
HDC/VSAやLDCは高い効率性と小さなモデルサイズを持つ。
STUDENT: LOW-DIMENSIONAL VECTOR SYMBOLIC ARCHITECTURE
Hyperdimensional Computing/Vector Symbolic Architecture (HDC/VSA)
高次元分散ベクトルを使用して象徴的概念を表現。
バイナリ値の超次元ベクトルで効率的なハードウェア実装。
Low-dimensional Computing (LDC) Classifier
LDCはHDC/VSAよりも小さなモデルサイズで高い精度を実現。
SCHEDULING THE KNOWLEDGE DISTILLATION: SCHEDULEDKD-LDC
スケジュールされた知識蒸留手法(ScheduledKD-LDC)により、教師から学習者への知識移転と精度向上が実現。
EXPERIMENTS
Experimental Setup
Motor Imagery, X11, S4b, ERNのEEGデータセットを使用。
Main Results
ScheduledKD-LDCが他の手法よりも優れた精度と効率性を提供。
Analysis of the 𝛼cheduler
様々な𝛼セットアップの比較結果。指数関数的𝛼スケジューラーが最も効果的。
Efficacy of Curriculum Data Order
カリキュラムデータ順序の有効性。Curri KD-LDCが最良のパフォーマンスを示す。
RELATED WORKS
BCI技術や知識蒸留手法に関する関連研究。
Stats
低次元計算分類器(LDC)は古典的特徴エンジニアリングよりも100倍小さいモデルサイズで高い精度を達成しています。