MicroTL: Transfer Learning on Low-Power IoT Devices

↓ Direkt till sidans innehåll
↓ Direkt till sidans sekundära innehåll (sidomenyn)

Sökning: id:"swepub:oai:research.chalmers.se:2b70b040-779f-4018-b404-608c9777d675" > MicroTL: Transfer L...

1 av 1
Föregående post
Nästa post
Till träfflistan

Profentzas, Christos,1989Chalmers tekniska högskola,Chalmers University of Technology (författare)

MicroTL: Transfer Learning on Low-Power IoT Devices

Artikel/kapitelEngelska2022

Förlag, utgivningsår, omfång ...

2022
electronicrdacarrier

Nummerbeteckningar

LIBRIS-ID:oai:research.chalmers.se:2b70b040-779f-4018-b404-608c9777d675
ISBN:9781665480017
https://research.chalmers.se/publication/531878URI
https://doi.org/10.1109/LCN53696.2022.9843735DOI

Kompletterande språkuppgifter

Språk:engelska
Sammanfattning på:engelska

Ingår i deldatabas

SwePubSwePub

Klassifikation

Ämneskategori:kon swepub-publicationtype
Ämneskategori:ref swepub-contenttype

Anmärkningar

Deep Neural Networks (DNNs) on IoT devices are becoming readily available for classification tasks using sensor data like images and audio. However, DNNs are trained using extensive computational resources such as GPUs on cloud services, and once being quantized and deployed on the IoT device remain unchanged. We argue in this paper, that this approach leads to three disadvantages. First, IoT devices are deployed in real-world scenarios where the initial problem may shift over time (e.g., to new or similar classes), but without re-training, DNNs cannot adapt to such changes. Second, IoT devices need to use energy-preserving communication with limited reliability and network bandwidth, which can delay or restrict the transmission of essential training sensor data to the cloud. Third, collecting and storing training sensor data in the cloud poses privacy concerns. A promising technique to mitigate these concerns is to utilize on-device Transfer Learning (TL). However, bringing TL to resource-constrained devices faces challenges and tradeoffs in computational, energy, and memory constraints, which this paper addresses. This paper introduces MicroTL, Transfer Learning (TL) on low-power IoT devices. MicroTL tailors TL to IoT devices without the communication requirement with the cloud. Notably, we found that the MicroTL takes 3x less energy and 2.8x less time than transmitting all data to train an entirely new model in the cloud, showing that it is more efficient to retrain parts of an existing neural network on the IoT device.

Ämnesord och genrebeteckningar

NATURVETENSKAP Data- och informationsvetenskap Datavetenskap hsv//swe
NATURAL SCIENCES Computer and Information Sciences Computer Sciences hsv//eng
TEKNIK OCH TEKNOLOGIER Elektroteknik och elektronik Datorsystem hsv//swe
ENGINEERING AND TECHNOLOGY Electrical Engineering, Electronic Engineering, Information Engineering Computer Systems hsv//eng
IoT
Transfer learning

Biuppslag (personer, institutioner, konferenser, titlar ...)

Almgren, Magnus,1972Chalmers tekniska högskola,Chalmers University of Technology(Swepub:cth)almgren (författare)
Landsiedel, Olaf,1979Chalmers tekniska högskola,Chalmers University of Technology(Swepub:cth)olafl (författare)
Chalmers tekniska högskola (creator_code:org_t)

Sammanhörande titlar

Ingår i:Proceedings - Conference on Local Computer Networks, LCN, s. 34-419781665480017

Internetlänk

Hitta via bibliotek

Proceedings - Conference on Local Computer Networks, LCN (Sök värdpublikationen i LIBRIS)

Till lärosätets databas

1 av 1
Föregående post
Nästa post
Till träfflistan

Hitta mer i SwePub

Av författaren/redakt...: Profentzas, Chri ...; Almgren, Magnus, ...; Landsiedel, Olaf ...

Om ämnet

NATURVETENSKAP: NATURVETENSKAP; och Data och informa ...; och Datavetenskap

TEKNIK OCH TEKNOLOGIER: TEKNIK OCH TEKNO ...; och Elektroteknik oc ...; och Datorsystem

Artiklar i publikationen: Proceedings - Co ...

Av lärosätet: Chalmers tekniska högskola

Sök utanför SwePub

Sök vidare i:: Google; Google Book Search; Google Scholar

Kungliga biblioteket hanterar dina personuppgifter i enlighet med EU:s dataskyddsförordning (2018), GDPR. Läs mer om hur det funkar här.
Så här hanterar KB dina uppgifter vid användning av denna tjänst.

LIBRIS.kb.se