分散エッジ環境における機械学習実現最適化の検討～エッジ上で動作するアルゴリズム・オントロジーの決定と転移学習適用による最適化検討～

• Item type: SIG Technical Reports(1)
• 公開日: 2019-01-24
• タイトル: 分散エッジ環境における機械学習実現最適化の検討～エッジ上で動作するアルゴリズム・オントロジーの決定と転移学習適用による最適化検討～
• タイトル / 言語: en
• タイトル: A Study on Optimisation of Machine Learning Realization In Edge Computing ～A Study on Optimisation by Deciding Edge executable Algorithm and Ontology and Applying Transfer Learning～
• 言語: jpn
• 資源タイプ / 資源タイプ識別子: http://purl.org/coar/resource_type/c_18gh
• 資源タイプ: technical report
• 著者所属: 三菱電機株式会社情報技術総合研究所
• 著者所属: 三菱電機株式会社情報技術総合研究所
• 著者所属: 三菱電機株式会社情報技術総合研究所
• 著者所属: 三菱電機株式会社情報技術総合研究所
• 著者所属(英): en
• 著者所属(英): Mitsubishi Electric Corporation Information Technology R&D Center
• 著者所属(英): en
• 著者所属(英): Mitsubishi Electric Corporation Information Technology R&D Center
• 著者所属(英): en
• 著者所属(英): Mitsubishi Electric Corporation Information Technology R&D Center
• 著者所属(英): en
• 著者所属(英): Mitsubishi Electric Corporation Information Technology R&D Center
• 著者名: 森, 郁海; 齊藤, 志保; 折本, 拓真; 伊藤, 岳広
• 著者名(英): Ikumi, Mori; Shiho, Saito; Takuma, Orimoto; Takehiro, Ito
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: 本稿は，分散エッジ環境における IoT システムの水平統合型共通プラットフォーム向けの機械学習アルゴリズムとオントロジーをリソース消費の観点から決定し，その妥当性を実機にて評価した結果をまとめたものである．評価の結果，機械学習アルゴリズムについては，訓練データ規模によらず学習データサイズが増加しにくく，行列計算等の高負荷な演算処理が原理的に発生しないものを選択するのが望ましいとした．オントロジーについては，エッジのリソースに応じて切り出し処理を行い，推論時には結果サイズを抑えることで，省リソース化と処理速度の低下の抑制を実現できる見込みを得た．また，訓練データ規模が小さい場合に機械学習の分類性能が低下する問題があるため，クラウド上で学習モデルを共有することで転移学習を自動的に実施可能な手法を提案した．
• 論文抄録(英) / 内容記述タイプ: Other
• 論文抄録(英) / 内容記述: We decided machine learning algorithms and ontology for the horizontal IoT platform in distributed edge environment from the view point of resource consumption. This decision was evaluated using Raspberry Pi 1 Model B as edge device. From the evaluation results, it is desirable to select machine learning algorithms that don't have the high processing load such as a matrix calculation. And it is required that the model data does not increase linearly with the training data size. As for the ontology, it is possible to realize both the resource saving and the high speed processing by excluding several nodes of ontology according to edge resources and suppressing the result size when inferencing. In addition, because there is a problem that prediction performance of machine learning deteriorates when the training data size is small, we propose a method that can automatically perform the transfer learning by sharing the model data on the cloud.
• 書誌レコードID / 収録物識別子タイプ: NCID
• 書誌レコードID / 収録物識別子: AN10116224
• 書誌情報: 研究報告マルチメディア通信と分散処理（DPS）; 巻 2019-DPS-177, 号 2, p. 1-8, 発行日 2019-01-24
• ISSN / 収録物識別子タイプ: ISSN
• ISSN / 収録物識別子: 2188-8906
• Notice: SIG Technical Reports are nonrefereed and hence may later appear in any journals, conferences, symposia, etc.
• 出版者 / 言語: ja
• 出版者: 情報処理学会