دراسة استقصائية حول اكتشاف الأشياء باستخدام التعلم الآلي الصغير على الأجهزة المضمنة: التقنيات والتطبيقات والتوجهات المستقبلية
Notice bibliographique
Résumé
لقد أتاح التقارب بين التعلم الآلي الصغير (TinyML) والأنظمة المدمجة عصرًا جديدًا من الأجهزة الطرفية الذكية القادرة على أداء مهام معقدة مثل اكتشاف الأشياء بموارد حاسوبية محدودة. يقدم هذا البحث دراسة مفصلة للمشهد الحالي لاكتشاف الأشياء باستخدام التعلم الآلي الصغير، مسلطًا الضوء على التقنيات والنماذج واستراتيجيات التصميم الرئيسية التي تُسهّل النشر الفعال على الأجهزة المضمنة محدودة الموارد. نستكشف تطور بنى الشبكات العصبية خفيفة الوزن، بما في ذلك ضغط النماذج، والتكميم، والتقليم، والبحث في البنى العصبية، وهي أمور أساسية لتحقيق أداء عالٍ في ظل قيود الطاقة وذاكرة محدودة. كما يُصنّف البحث ويُحلّل مجموعة واسعة من مجالات التطبيق، بدءًا من المراقبة الذكية والمركبات ذاتية القيادة وصولًا إلى الأجهزة القابلة للارتداء والاستشعار عن بُعد، حيث يُعدّ اكتشاف الأشياء في الوقت الفعلي وباستهلاك طاقة منخفض أمرًا بالغ الأهمية. بالإضافة إلى ذلك، نعالج التحديات القائمة، بما في ذلك الحفاظ على الدقة مع الحد الأدنى من زمن الوصول، والتحسين لمنصات الأجهزة المتنوعة، وضمان قابلية التوسع والأمان. ويختتم البحث بتحديد اتجاهات البحث المستقبلية والاتجاهات الناشئة التي ستُشكّل الجيل القادم من أنظمة الرؤية الذكية المدمجة.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,007 | 0,003 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,375 | 0,401 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».