A Machine Learning-oriented Survey on Tiny Machine Learning

要約

Tiny Machine Learning (TinyML) の出現は、リソースに制約のある IoT ハードウェア デバイスとその学習ベースのソフトウェア アーキテクチャの共同設計を促進することにより、人工知能の分野に積極的な革命をもたらしました。
TinyML は、社会、経済、個人が効果的な AI を導入したコンピューティング テクノロジー (スマート シティ、自動車、医療ロボットなど) を採用できるようにする上で、第 4 次および第 5 次産業革命の中で重要な役割を果たします。
TinyML の分野はその学際的な性質を考慮して、さまざまな角度からアプローチされてきました。この包括的な調査では、TinyML ベースのソリューション内のすべての学習アルゴリズムに焦点を当てた最新の概要を提供したいと考えています。
この調査は、体系的レビューおよびメタ分析のための優先報告項目 (PRISMA) 方法論フローに基づいており、体系的かつ完全な文献調査が可能です。
特に、最初に、TinyML ベースのシステムを実装するための 3 つの異なるワークフロー (ML 指向、HW 指向、および共同設計) を検討します。
次に、TinyML レンズの下で学習パノラマをカバーする分類法を提案し、モデルの最適化と設計のさまざまなファミリー、および最先端の学習技術を詳細に調べます。
第三に、この調査では、TinyML インテリジェント エッジ アプリケーションの現在の最先端を表すハードウェア デバイスとソフトウェア ツールの明確な機能を紹介します。
最後に、課題と今後の方向性について説明します。

要約(オリジナル)

The emergence of Tiny Machine Learning (TinyML) has positively revolutionized the field of Artificial Intelligence by promoting the joint design of resource-constrained IoT hardware devices and their learning-based software architectures. TinyML carries an essential role within the fourth and fifth industrial revolutions in helping societies, economies, and individuals employ effective AI-infused computing technologies (e.g., smart cities, automotive, and medical robotics). Given its multidisciplinary nature, the field of TinyML has been approached from many different angles: this comprehensive survey wishes to provide an up-to-date overview focused on all the learning algorithms within TinyML-based solutions. The survey is based on the Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA) methodological flow, allowing for a systematic and complete literature survey. In particular, firstly we will examine the three different workflows for implementing a TinyML-based system, i.e., ML-oriented, HW-oriented, and co-design. Secondly, we propose a taxonomy that covers the learning panorama under the TinyML lens, examining in detail the different families of model optimization and design, as well as the state-of-the-art learning techniques. Thirdly, this survey will present the distinct features of hardware devices and software tools that represent the current state-of-the-art for TinyML intelligent edge applications. Finally, we discuss the challenges and future directions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google