Pandarasamy Arjunan
PulseAugur coverage of Pandarasamy Arjunan — every cluster mentioning Pandarasamy Arjunan across labs, papers, and developer communities, ranked by signal.
-
ENAS 框架可在无 GPU 的情况下实现高效的 TinyML 模型搜索
研究人员开发了 ENAS，一个专为资源受限微控制器上的 TinyML 应用设计的高效硬件感知神经架构搜索 (NAS) 框架。与依赖 GPU 的方法不同，ENAS 无需 GPU 即可有效运行，并采用了混合搜索策略和持久化缓存。在各种微控制器上的 Visual Wake Words 和 Melanoma Cancer 基准测试中进行的评估表明，ENAS 实现了显著的搜索时间加速，并选择了具有较低峰值激活 RAM 的模型，这对于微控制器部署至关重要。
-
6G ISAC框架利用AI进行铁路入侵检测
研究人员开发了一个新颖的铁路安全框架，采用了集成感知与通信（ISAC）技术，该技术结合了感知和通信能力以优化无线资源使用。该框架利用了5G-Advanced和6G系统的先进特性，特别是利用信道状态信息（CSI）进行物理层感知。一个由3D卷积神经网络（3D CNN）和双向长短期记忆（BiLSTM）网络组成的机器学习模型，在合成CSI数据上进行了训练，以检测铁路轨道上的入侵者并预测碰撞风险。该模型表现出高精度，实现了99.57%的入侵者检…
-
New framework personalizes federated adaptation for time-series models
研究人员开发了一种个性化的联邦稀疏适应框架，用于时间序列基础模型（TSFMs），旨在通过解决私有、分布式电表数据的非独立同分布（non-IID）性质来改进能源预测。这种新方法利用了异构时间混合专家（MoE）适配器，其中一个序列级路由器会选择一组针对特定上下文窗口量身定制的专家。在50栋建筑和三个TSFM骨干模型上的实验表明，这种个性化策略在性能上持续优于全局联邦学习和本地适应方法，突显了客户端感知和骨干模型感知的适应的重要性。
-
新数据集和基准旨在利用基础模型推进空气质量预测
研究人员推出了 Air Quality Arena (AQA)，这是一个全面的数据集和基准，旨在利用时间序列基础模型 (TSFM) 来改进空气质量预测。AQA-Data 涵盖了三年内 7 个国家 7,000 多个站点的主要污染物，而 AQA-Bench 则评估模型性能。初步结果显示，TSFM 的性能显著优于传统方法，结合了视觉和时间序列模型的跨模态架构在零样本预测准确性方面表现最佳。