要旨: 本論文は、リソース制約のあるマイクロコントローラ（MCU）向けに設計された軽量K-Means異常検出モデルと、分散型のモデル共有ワークフローを提示する。ミニ冷蔵庫アプライアンスの実電力測定データを用いて、システムはオンデバイスで特徴抽出、クラスタリング、閾値推定を行い、異常なアプライアンス挙動を特定する。すべてのデバイスでモデルを再学習することを避けるために、本稿ではDistributed Internet of Learning（DIoL）を導入する。これにより、1台のMCUで学習したモデルを、携帯可能なテキストベース表現としてエクスポートでき、他のデバイス上でそのまま再利用できる。2デバイスの試作により、実世界のアプライアンス事例を用いた「Train Once, Share Everywhere（TOSE）」アプローチの実現可能性が示される。ここでは、デバイスAがモデルを学習し、デバイスBは再学習なしで推論を実行する。実験結果は、異常検出挙動の一貫性、無視できるパース（解釈）オーバーヘッド、およびスタンドアロン動作とDIoLベース動作の間で推論実行時間が同一であることを示している。提案フレームワークは、組込みデバイスの群れ（フリート）全体に対するスケーラブルで低コストなTinyMLの導入を可能にする。
K-Means ベースの TinyML 異常検知と、Distributed Internet of Learning (DIoL) による分散モデル再利用
arXiv cs.LG / 2026/3/31
📰 ニュースIdeas & Deep AnalysisModels & Research
要点
- リソース制約のある MCU 向けに、軽量な K-Means ベースの異常検知パイプラインを提案している。具体的には、オンデバイスでの特徴抽出、クラスタリング、そしてミニ冷蔵庫から得た実電力測定に基づくしきい値推定を含む。
- 分散型 Internet of Learning (DIoL) を導入し、1 台の MCU で学習したモデルを、他のデバイスでも再学習なしにそのまま再利用できる、ポータブルなテキストベースの表現としてエクスポートする仕組みを提示している。
- 2 台のデバイスによるプロトタイプにより、「Train Once, Share Everywhere（TOSE：一度学習してどこでも共有）」のワークフローを示している。ここでは、あるデバイスが学習し、別のデバイスが共有モデルを用いて推論を行う。
- 実験結果より、デバイス間で異常検知の挙動が一貫していること、パースに伴うオーバーヘッドがごく小さいこと、そしてスタンドアロン（DIoL なし）動作と比較して推論ランタイムが同一であることが示されている。
- 著者らは、このフレームワークを、デバイス群（フリート）に対する低コストな TinyML 異常検知の導入をスケールさせるためのアプローチとして位置付けている。
