Convergence Rate Maximization for Split Learning-based Control of EMG Prosthetic Devices

要約

分割学習 (SL) は、リソースが限られた環境でも適用できるため、筋電図検査 (EMG) ベースの補綴制御における有望な分散学習アプローチです。
ディープ ラーニングやフェデレーテッド ラーニング (FL) などの他の学習アプローチは、人工器官の処理能力とバッテリー寿命の点で非常に限られているため、次善のソリューションを提供します。
このようなシナリオで SL を実装できるかどうかは、クライアントがより小さなモデル セグメントを実行するという、固有のモデル分割によって引き起こされます。
ただし、不適切なカット レイヤーを選択すると、SL システムのトレーニング プロセスが妨げられます。
この論文では、モデルの収束率を最大化する観点から、最適なカット レイヤを選択するためのアルゴリズムを紹介します。
性能評価は、提案されたアルゴリズムが補綴装置制御を改善するための EMG パターン認識タスクの収束を大幅に加速することを示しています。

要約(オリジナル)

Split Learning (SL) is a promising Distributed Learning approach in electromyography (EMG) based prosthetic control, due to its applicability within resource-constrained environments. Other learning approaches, such as Deep Learning and Federated Learning (FL), provide suboptimal solutions, since prosthetic devices are extremely limited in terms of processing power and battery life. The viability of implementing SL in such scenarios is caused by its inherent model partitioning, with clients executing the smaller model segment. However, selecting an inadequate cut layer hinders the training process in SL systems. This paper presents an algorithm for optimal cut layer selection in terms of maximizing the convergence rate of the model. The performance evaluation demonstrates that the proposed algorithm substantially accelerates the convergence in an EMG pattern recognition task for improving prosthetic device control.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google