PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.27202v1cs.CR

IoT 보안을 위한 신뢰할 수 있는 연합 TinyML 배포

Reliable Federated TinyML Deployment for IoT Security

사물인터넷(IoT) 기기의 배포가 증가함에 따라 자원 제약이 있는 하드웨어에서 직접 동작하는 프라이버시 보존형 침입 탐지 시스템의 필요성이 커졌습니다. 연합학습(Federated Learning)은 원시 데이터를 공유하지 않고도 협업적 모델 학습을 가능하게 하지만, 기존의 연합 모델은 마이크로컨트롤러급 기기에 배포하기에는 지나치게 크고 불안정한 경우가 많습니다. TinyML 기술은 소형 신경망을 가능하게 하지만 일반적으로 추론 전용 워크로드를 위해 설계됩니다. 본 연구에서는 IoT 환경의 침입 탐지를 위해 연합학습과 TinyML 기반 모델 압축을 결합하는 방안을 조사합니다. 저자들은 연합 학습 파이프라인 내에서 지식 증류, 구조적 가지치기, 양자화를 포함한 압축 전략을 평가합니다. 초기 결과는 학습 안정성이 연합 TinyML 시스템에서 결정적인 역할을 한다는 점을 보여줍니다. 특히, 서버 조율 코사인 학습률 스케줄링(server-coordinated cosine learning-rate scheduling)은 상당한 모델 압축과 효율적인 엣지 배포를 실현하는 동시에 공격 재현율(Attack Recall)을 46.7%에서 93.85%로 향상시킵니다. 이러한 결과는 IoT 기기를 위한 경량화 및 프라이버시 보존형 침입 탐지 시스템 설계에 유용한 통찰을 제공합니다.

arXiv:2212.07700v3cs.CV공식 코드 · Papers with Code

Colab NAS: 오컴의 면도날 원칙을 따르는 경량의 작업 특화 합성곱 신경망 획득

Colab NAS: Obtaining lightweight task-specific convolutional neural networks following Occam's razor

대규모 데이터셋으로 학습된 합성곱 신경망(CNN)에서 전이학습을 적용하는 현재의 추세는, 목표 애플리케이션이 맞춤형이고 범위가 한정된 문제이며 네트워크를 처음부터 학습시키기에 충분한 데이터가 있는 경우 과도한 처사가 될 수 있습니다. 반면에, 맞춤형이고 더 가벼운 CNN을 학습시키는 것은 처음부터 학습하는 경우 전문성이 필요하거나, 하드웨어 인식 신경망 아키텍처 탐색(HW NAS)의 경우처럼 고성능 자원이 필요하여, 일반적인 신경망 개발자가 아닌 사용자의 기술 접근성을 제한합니다. 이러한 이유로, 우리는 경량의 작업 특화 CNN을 생성하기 위한 접근 가능한 HW NAS 기법인 ColabNAS를 제안합니다. 오컴의 면도날에서 영감을 받은 이 방법의 새로운 도함수 기반이 아닌 탐색 전략을 통해, Google Colaboratory 및 Kaggle Kernel과 같은 무료 온라인 GPU 서비스를 사용하여 단 3.1 GPU 시간 만에 표준 TinyML 벤치마크인 Visual Wake Word 데이터셋에서 최첨단 결과를 획득할 수 있습니다.