Core Concepts
異なるデータドリフトタイプに対応するために、TBFTは最適なモデル性能を実現し、エネルギー消費を削減します。
Abstract
IoTおよびモバイルデバイス上のディープニューラルネットワークの展開が注目されている。
データドリフトとモデルパーソナライゼーションの課題に対処するための低エネルギーフレームワークであるTBFTを導入。
TBFTは、データドリフトを入力レベル、特徴レベル、出力レベルの3つのタイプに分類し、それぞれのブロックを微調整して最適な性能を実現します。
実験結果では、TBFTは平均15.30%の精度向上と平均41.57%のエネルギー消費削減を示しています。
Introduction
IoTおよび移動体通信用途で深層ニューラルネットを展開することが重要視されている。
ローカルデバイスで発生するデータドリフトやローカルな性能劣化に対処するためにTBFTが提案されている。
Background
転移学習や個別化戦略が提案されている。
多くの微調整手法は全体または最後数層だけを微調整している。
Adaptive Personalization
画像データに焦点を当てたシナリオで3つの異なるドリフトタイプ(入力・特徴・出力)にファインチューニングが必要。
Implementation & Evaluation Setup
ResNet-26 モデルと3つの異なるドリフトカテゴリ(入力・特徴・出力)ごとに評価。
Raspberry Pi 4 Model Bでシステムコストを計測。
Stats
TBFTは平均15.30%の精度向上と平均41.57%のエネルギー消費削減を示す。