この論文は 2026 年 10 月 21 日に arXiv へ投稿されたもので、Matheus Calheira Guimarães de Oliveira 氏ほか計 12 名の著者による「異種エッジプラットフォームにおけるモデル圧縮技術のベンチマーク：回転機械の予知保全をユースケースとして」と題する研究である。分野は機械学習（cs.LG）および性能（cs.PF）に分類されている。
出発点にあるのは Industry 5.0 の実現という課題である。自律システムが広く導入され、人と協働しながら産業の持続可能な発展を促す社会では、複雑な深層学習モデルを資源制約の厳しいハードウェア上で効率的に推論させることが不可欠となる。しかし、産業現場のエッジコンピューティングはハードウェアが多様で、モデル圧縮による性能低下も避けられず、予知保全のような用途でどの圧縮手法が実用的で有効なのかについて明確な指針がなかった。
そこで著者らは、最先端のモデル圧縮技術 4 種類を網羅的に比較した。対象は予知保全に用いる高性能畳み込みニューラルネットワークで、産業で広く使われる回転機械の実世界データセットを用いている。圧縮後のモデルは、極めて制約の厳しいエッジデバイスから汎用プロセッサ、高性能プロセッサまで、9 種類の異種計算プラットフォームで評価された。これは産業用エッジ環境に典型的な多様性と断片化を反映した構成である。
評価では分類性能、推論速度、圧縮率の三つを同時に重視した。その結果、知識蒸留を用いた圧縮が最も効果的であることが分かった。このモデルは全デバイスで 90% 以上の高速化を達成し、平衡 F 値 91.22% を維持、未圧縮モデルと比べた予測性能の低下はごくわずかで、サイズは 98.9% 削減された。
複数のエッジプラットフォームへの展開と圧縮戦略の体系的な比較を通じて、著者らは Industry 5.0 の目標に至る明確な道筋を示したと主張する。予測性能を犠牲にすることなく、計算コストを大幅に削減し、ひいてはエネルギー消費も抑えられるという。論文は PDF、試験的な HTML 版、TeX ソースの形で全文が公開されており、DOI は 10.48550/arXiv.2610.30228 である。