OS-ELMを用いたFPGA向け軽量ファインチューニング手法

• Item type: SIG Technical Reports(1)
• 公開日: 2021-03-18
• タイトル: OS-ELMを用いたFPGA向け軽量ファインチューニング手法
• タイトル / 言語: en
• タイトル: A Fine-Tuning Method using OS-ELM for FPGAs
• 言語: jpn
• キーワード / 主題Scheme: Other
• キーワード / 主題: 機械学習
• 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: 慶應義塾大学理工学部
• 著者所属: 慶應義塾大学大学院理工学研究科
• 著者所属: 慶應義塾大学理工学部
• 著者所属(英): en
• 著者所属(英): Faculty of Science and Technology, Keio University
• 著者所属(英): en
• 著者所属(英): Graduate School of Science and Technology, Keio University
• 著者所属(英): en
• 著者所属(英): Faculty of Science and Technology, Keio University
• 著者名: 山田, 赳也; 塚田, 峰登; 松谷, 宏紀
• 著者名(英): Takeya, Yamada; Mineto, Tsukada; Hiroki, Matsutani
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: 訓練データと実環境データの特徴量の性質が異なっていることがあり，あらゆる現場環境下を想定し，訓練データを全て用意することは現実的に難しい場合がある．訓練データと実環境データにおける正常パターンの特徴に差異がある場合，訓練済みモデルを，実環境のデータを用いて再度訓練するファインチューニング手法が利用される．しかし，学習モデルの再訓練や訓練データの収集は必ずしも容易ではない．そこで，本論文では，畳み込み Auto Encoder の Encode 部分とオンライン逐次学習アルゴリズム OS-ELM (Online Sequential Extreme Learning Machine) を連結することで，現場で軽量にファインチューニングする手法を提案する．実験では，手書き文字認識データセット MNIST を用いて，畳み込み Auto Encoder を事前学習しておき，現場のデータとしてそれらを左右にシフトさせたデータを用いた．評価では，ファインチューニングしない通常のニューラルネットワーク，畳み込み Auto Encoder，畳み込み Auto Encoder と OS-ELM を組みわせたモデル，提案手法の精度を比較した．その結果，提案手法を用いて現場でファインチューニングした提案手法の精度は訓練データで学習した畳み込み Auto Encoder よりも 4.1% 高くなった．
• 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: AA12149313
• 書誌情報: 研究報告組込みシステム（EMB）; 巻 2021-EMB-56, 号 41, p. 1-6, 発行日 2021-03-18
• ISSN / 収録物識別子タイプ: ISSN
• ISSN / 収録物識別子: 2188-868X
• 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