设备端神经架构搜索
本文提出一种在部署设备上直接执行轻量级神经架构搜索（NAS）的方法，以找到最佳的小型神经网络分析传感器实时数据。该方法特别适用于人机界面，可根据用户变化重新设计网络。在意大利手语数据集（ISL）和CWRU数据集上的验证表明，在树莓派4上，该NAS在减少RAM占用的同时提升了准确率。
近日，一篇提交至arXiv的论文（编号：2606.24900）提出了一种创新的设备端神经架构搜索（NAS）方法，旨在实现高效的近传感器计算。传统上，神经架构搜索通常在云端或高性能服务器上进行，然后将训练好的模型部署到边缘设备。然而，这种方法忽略了传感器数据随环境、用户变化的特性。该研究反其道而行之，直接在部署设备上运行轻量级NAS，实时为特定传感器数据寻找最优的小型神经网络结构。
该方法的核心优势在于其适应能力，尤其在人机界面领域。例如，用于分析表面肌电信号（sEMG）的手语识别系统，不同用户的手势信号差异显著。通过引导式数据采集，系统可以在用户更换后快速重新设计网络，从而大幅提升识别精度，有效应对个体间的数据变异。
研究人员设计了一种新的NAS算法，并在意大利手语数据集（ISL）上进行了验证。该数据集包含意大利字母手势的sEMG信号，研究人员使用了多种嵌入式系统进行测试，其中包括树莓派4。实验结果显示，与当前最先进技术相比，该方法在ISL数据集上实现了0.63倍的RAM占用降低和5.96个百分点的准确率提升。此外，在智能故障诊断基准CWRU数据集上的进一步验证表明，该方法具有通用性，同样取得了0.44倍RAM占用降低和0.2个百分点准确率提升的成果。
该工作为边缘人工智能提供了一种新的范式，使设备能够根据实时数据自主调整其计算模型。这不仅减少了云端依赖，还增强了系统的隐私性和响应速度。未来，这种设备端NAS有望在可穿戴设备、智能传感器和个性化医疗等领域发挥重要作用。