Benchmarking van modelcompressietechnieken op heterogene edge-platforms: een use case voor voorspellend onderhoud van roterende machines

arXiv:2610.30228v1 Type aankondiging: nieuw Samenvatting: Om Industrie 5.0 mogelijk te maken, waarin autonome systemen breed worden toegepast en met mensen integreren om duurzame ontwikkeling in de industrie te bevorderen, is het noodzakelijk om complexe deep learning-modellen aan te passen zodat ze efficiënt draaien op hardware met beperkte middelen voor edge-inferentie. Toch blijft het aanpassen van deze modellen uitdagend door de hardware-heterogeniteit van edge computing in industriële omgevingen, prestatieverlies door modelcompressie