Sensor-Aware Classifiers for Energy-Efficient Time Series Applications on IoT Devices

要約

時系列データ処理は、健康監視、環境監視、デジタル農業など、多くの実世界のアプリケーションの重要なコンポーネントです。
これらのアプリケーションは、センサー データの個別のウィンドウ (数秒など) を収集し、それらを処理して環境を評価します。
機械学習 (ML) モデルは、分類のための一般化機能があるため、時系列アプリケーションで使用されています。
最先端の時系列アプリケーションは、センサー データ ウィンドウ全体が利用可能になるのを待ってから、ML アルゴリズムを使用してデータを処理するため、センサーのエネルギー消費が高くなります。
ただし、正確な推論を行うために、すべての状況でセンサー ウィンドウ全体を処理する必要があるわけではありません。
たとえば、アクティビティ認識では、部分ウィンドウを使用して座ったり立ったりするアクティビティを推測できます。
この洞察を利用して、精度を維持しながらエネルギー消費を最小限に抑えるために、部分的なセンサー ウィンドウを備えた早期終了分類器を採用することを提案します。
具体的には、まず、ウィンドウ内で利用可能になるにつれてデータ量が連続的に増加する複数の早期終了を利用します。
早期終了により高い信頼性で推論が得られた場合は、ラベルを返し、センサーの低電力モードに入ります。
提案されたアプローチは、時系列アプリケーションで大幅なエネルギー節約を可能にする可能性を秘めています。
私たちは、ニューラル ネットワークとランダム フォレスト分類器を利用してアプローチを評価します。
6 つのデータセットを使用した評価では、提案されたアプローチにより、精度に影響を与えることなく、平均で最大 50 ～ 60% のエネルギー節約が可能であることがわかりました。
エネルギーの節約により、利用可能なエネルギーが限られている遠隔地でも時系列アプリケーションが可能になります。

要約(オリジナル)

Time-series data processing is an important component of many real-world applications, such as health monitoring, environmental monitoring, and digital agriculture. These applications collect distinct windows of sensor data (e.g., few seconds) and process them to assess the environment. Machine learning (ML) models are being employed in time-series applications due to their generalization abilities for classification. State-of-the-art time-series applications wait for entire sensor data window to become available before processing the data using ML algorithms, resulting in high sensor energy consumption. However, not all situations require processing full sensor window to make accurate inference. For instance, in activity recognition, sitting and standing activities can be inferred with partial windows. Using this insight, we propose to employ early exit classifiers with partial sensor windows to minimize energy consumption while maintaining accuracy. Specifically, we first utilize multiple early exits with successively increasing amount of data as they become available in a window. If early exits provide inference with high confidence, we return the label and enter low power mode for sensors. The proposed approach has potential to enable significant energy savings in time series applications. We utilize neural networks and random forest classifiers to evaluate our approach. Our evaluations with six datasets show that the proposed approach enables up to 50-60% energy savings on average without any impact on accuracy. The energy savings can enable time-series applications in remote locations with limited energy availability.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google