arXivに最近公開された論文「On-Device Neural Architecture Search」は、近センサーコンピューティングのための新しいアプローチを提案している。それは、展開デバイス上で軽量なニューラルアーキテクチャ探索（NAS）を直接実行し、センサーを通じて取得されるリアルタイムデータを解析するための最適な小型ニューラルアーキテクチャを自動的に見つけ出すというものである。本論文はAndrea Mattia Garavagno氏ら5名の著者によって執筆され、2026年6月12日に提出された。機械学習（cs.LG）と人工知能（cs.AI）の交叉領域に属する。
従来、ニューラルネットワークのアーキテクチャ設計や探索は、十分な計算資源を持つサーバーやクラウド上で行われ、訓練済みモデルを端末に展開するのが一般的であった。しかし、このオフラインのプロセスでは、個人間のデータ差異に適応することが難しい。特にヒューマンマシンインターフェース applications では、ユーザーごとに生体信号の分布が大きく異なる可能性がある。本論文が提案するオンデバイスNAS能力により、ユーザーが変更された後、ガイド付きデータ収集プロセスを経てネットワークを再設計することが可能になり、個人差のレベルでモデルの適応性を高めることができる。
このアプローチを検証するため、研究チームは新しいNASを設計し、イタリア手話データセット（ISL）でテストした。ISLデータセットは、イタリア手話アルファベットのサインに対応する表面筋電図（sEMG）信号の集合であり、著者らは複数の組み込みシステム上で提案NASを実行した。さらに、論文ではケース・ウェスタン・リザーブ大学データセット（CWRU）での追加検証も提示されている。CWRUはインテリジェント故障診断のベンチマークであり、提案手法の別の応用可能性を示唆するために用いられている。
実験結果は、Raspberry Pi 4上で実行した場合、提案NASが最先端技術を上回ることを示している。ISLデータセットでは、探索された小型ニューラルアーキテクチャのメモリ使用量は比較手法の0.63倍でありながら、精度は5.96パーセントポイント向上した。CWRUデータセットでは、メモリ使用量が0.44倍で、精度は0.2パーセントポイント向上した。これらの結果は、オンデバイスNASが実行可能であるだけでなく、リソース制約のある組み込みプラットフォーム上でより優れた精度と効率のトレードオフを実現できることを示している。
本研究の中心的貢献は、NASの適応能力を展開端末に移すことで、近センサーコンピューティングとヒューマンマシンインターフェース応用に新たな技術的経路を提供することにある。将来的には、この能力は個別化モデリングを必要とするより多くのセンサーデータ解析シナリオ、例えばウェアラブル健康モニタリング、義肢制御、産業機器の状態監視などに拡張されることが期待される。