مقاله
Context-Aware Hybrid Encoding for Privacy-Preserving Computation in IoT Devices
ارائه روش نوین رمزگذاری پویا که با استفاده از الگوریتمهای تکاملی، امنیت دادهها را در سیستمهای ترکیبی IoT و ابری تا ۱۰٪ بهبود بخشیده و همزمان تاخیر پردازش را کاهش میدهد.
دانلود مقالهEnc2 Privacy-Preserving Inference for Tiny IoTs via Encoding and Encryption
اارائه راهکار ترکیبی نوین که با تلفیق رمزگذاری و رمزنگاری، سرعت استنتاج در دستگاههای IoT محدود را تا ۴۰۰٪ بهبود میبخشد و همزمان حریم خصوصی را حفظ میکند.
دانلود مقالهFingerprinting IoT Devices Using Latent Physical Side-Channels
معرفی سیستم Digitus که با استفاده از امواج الکترومغناطیسی ساطع شده از ساعت پردازنده، امکان احراز هویت دستگاههای IoT کمتوان را تا فاصله ۵ متری با دقت ۹۵٪ فراهم میکند.
دانلود مقالهIdentity-Independent IoT for Overarching Policy Enforcement
معرفی معماری I3oT که با جایگزینی توصیفگرهای انعطافپذیر به جای هویتهای ثابت دستگاهها، امکان اجرای سیاستهای امنیتی و انرژی را به صورت پیشگیرانه فراهم میکند.
دانلود مقالهPUF-based Authentication in IoT against Strong Physical Adversary using Zero-Knowledge Proofs
ارائه روش نوین احراز هویت که با ترکیب توابع فیزیکی غیرقابل کلونسازی (PUF) و اثبات دانش صفر، امنیت بالا در برابر حملات فیزیکی پیشرفته را فراهم میکند.
دانلود مقالهSideGuard Non-Invasive On-Chip Malware Detection in Heterogeneous IoT Systems by Leveraging Side-Channels
معرفی روش نوین SideGuard که با تحلیل الگوی مصرف برق پردازنده و بدون نیاز به تغییرات سختافزاری، قادر به تشخیص بدافزارها با دقت بیش از ۹۵٪ است.
دانلود مقالهMetaE2RL Toward Metareasoning for Energy-Efficient Multi-Goal Reinforcement Learning with Squeezed Edge YOLO
ارائه چارچوب سختافزارآگاه که با استفاده از متا-استدلال و الگوریتم YOLO فشرده، مصرف انرژی را در دستگاههای کوچک تا ۵۴۱ میلیوات کاهش میدهد. این راهکار ۸۳٪ کوچکتر از روشهای قبلی بوده و با تأخیر تنها ۱۳۰ میلیثانیه، یادگیری تقویتی چندهدفه را روی پهپادهای کوچک با پردازنده GAP8 ممکن میسازد.
دانلود مقالهA Hardware-Aware and Multiobjective Regression-Based Fine-Tuning Approach for Deep Neural Networks on Embedded Platforms
ارائه روش Reg-TuneV2 برای بهینهسازی شبکههای عصبی عمیق با درنظرگیری همزمان دقت، مصرف انرژی و تأخیر پردازش. این راهکار با کاهش ۱۰۱ برابری اندازه مدل و بهبود ۵.۹ برابری کارایی، به دقت ۹۰.۵٪ با تنها ۳۴۰ کیلوبایت حافظه برای تشخیص کلمات کلیدی روی FPGA دست مییابد.
دانلود مقالهReg-Tune_ A Regression-Focused Fine-Tuning Approach for Profiling Low Energy Consumption and Latency
ارائه روش Reg-Tune مبتنی بر رگرسیون برای بهینهسازی شبکههای عصبی در پلتفرمهای کوچک. این راهکار با کاهش ۷۴.۶ درصدی تاخیر و بهبود ۵.۷ برابری کارایی انرژی، امکان استقرار بهینه مدلها روی FPGA و دستگاههای لبه را فراهم میکند.
دانلود مقالهTinyM2Net-V2_ A Compact Low-power Software Hardware Architecture for Multimodal Deep Neural Networks
ارائه معماری TinyM2Net-V2 برای شبکههای عصبی عمیق چندوجهی روی دستگاههای کوچک، که با استفاده از فشردهسازی پیشرفته و شتابدهی FPGA به دقت ۹۲.۵٪ در تشخیص COVID-19 و بهبود ۷.۷٪ی دقت طبقهبندی خودروها دست مییابد.
دانلود مقالهEfficient Language-Guided Reinforcement Learning for Resource-Constrained Autonomous Systems
ارائه معماری بهینهشده برای عاملهای یادگیری تقویتی که با درک زبان انسانی و پردازش تصویر، امکان هدایت پهپادها در محیطهای واقعی را فراهم میکند. این راهکار با کاهش ۲۰٪ی اندازه تصویر ورودی، ۷۸٪ بهبود مصرف انرژی و ۸۲٪ نرخ موفقیت در انجام وظایف را روی پهپاد Crazyflie با پردازنده GAP8 محقق ساخته است.
دانلود مقالهQS-NAS Optimally Quantized Scaled Architecture Search to Enable Efficient On-Device Micro-AI
ارائه روش QS-NAS برای بهینهسازی همزمان فاکتورهای quantization و scaling در شبکههای عصبی، که با استفاده از رگرسیون چندجملهای، توازن بهینهای بین دقت و مصرف انرژی ایجاد میکند. این راهکار با استقرار روی FPGA به کارایی انرژی بالاتری نسبت به روشهای موجود دست یافته و در عین حفظ دقت، مصرف انرژی را در پردازشهای on-chip به حداقل میرساند.
دانلود مقالهHAC-POCD Hardware-Aware Compressed Activity Monitoring and Fall Detector Edge POC Devices
ارائه سیستم HAC-POCD برای تشخیص فعالیتهای انسانی و سقوط با مدل فشرده ۵۸ کیلوبایتی که به دقت ۹۵.۶٪ دست یافته و با تأخیر کم و کارایی انرژی بالا روی سختافزارهای محدود GAPuino و Raspberry Pi 4 مستقر شده است.
دانلود مقالهHarnessing the Power of Explanations for Incremental Training A LIME-Based Approach
ارائه روشی نوآورانه که با بازخورد دادن توضیحات مدل (LIME) به فرآیند آموزش، دقت تشخیص کلمات کلیدی را ۰.۵ تا ۱.۵ درصد بهبود میبخشد. این راهکار با ترکیب تابع loss سفارشی و تثبیت وزنی (EWC)، امکان یادگیری تدریجی بدون فراموشی را فراهم میسازد.
دانلود مقالهMLAE2 Metareasoning for Latency-Aware Energy-Efficient Autonomous Nano-Drones
ارائه راهکار MLAE2 که با استفاده از متا-استدلال، بهینهسازی هوشمندانهای بین دقت مدل، تأخیر و مصرف انرژی در ناوبری پهپادهای خودران ایجاد میکند. این روش با پایش دینامیک پارامترهای محیطی و انتخاب الگوریتم مناسب، در عین رعایت محدودیتهای تأخیر، دقت مدل و کارایی انرژی را به حداکثر میرساند.
دانلود مقالهTinyM2Net-V2 A Compact Low Power Software Hardware Architecture for Multimodal Deep Neural Networks
ارائه معماری TinyM2Net-V2 برای شبکههای عصبی عمیق چندوجهی روی دستگاههای کوچک، که با استفاده از فشردهسازی پیشرفته و شتابدهی FPGA به دقت ۹۲.۵٪ در تشخیص COVID-19 و بهبود ۷.۷٪ی دقت طبقهبندی خودروها دست مییابد.
دانلود مقالهToward Meta-Reasoning for Energy-Efficient Multigoal Reinforcement Learning With Squeezed-Edge You Only Look Once
ارائه چارچوب متا-استدلال برای تخصیص هوشمند منابع در دستگاههای خودران کوچک که با استفاده از YOLO فشردهشده، ۸۳٪ کوچکتر از کارهای قبلی بوده و با مصرف ۵۴۱ میلیوات و تأخیر ۱۳۰ میلیثانیه روی پردازنده GAP8 در پهپاد Crazyflie عمل میکند.
دانلود مقاله