Як згорткова мережа вчиться слухати як рекурентна на смарт-годиннику?
Виявлення ключових слів дозволяє пристрою прокидатися, коли він чує певну фразу. У телефоні процесор має запас потужності; у годиннику рахується кожен міліват. Стаття Interspeech 2026 показує, як зберегти простоту навчання CNN, додаючи потокову обробку на кшталт LSTM.
Чому годиннику потрібен інший підхід до прослуховування
Звичайна CNN обробляє аудіовікно фіксованої довжини за один раз. Для безперервної роботи вона має перераховувати все вікно кожні 10 або 20 мс, повторюючи більшість обчислень для перекривних кадрів. На обмежених ресурсами периферійних пристроях, таких як носії, повторювані операції множення-накопичення визначають енергобюджет. Реальний час додає третє обмеження до обчислень і пам'яті.
Як працює кеш підмоделей
Згортки з короткостроковою пам'яттю кешують карти ознак для повторного використання при зміщенні входу. Нова робота розділяє мережу на незалежні підмоделі, кожна з власним буфером. Оновлюється лише та підмодель, на яку впливає зміна.
Що показують цифри
Команда повідомляє про до 82 % менше MCPS порівняно з еквівалентною стандартною CNN і на 46 % менше ніж у базового STMC. Найкраща конфігурація досягає 93,8 % точності на завданні Google Speech Commands з 11 класами та 97,1 % з даними, доповненими нулями.
Де закінчується п'ятисторінкова стаття
Затримку не вимірювали. Тести охоплюють лише 11 класів.
Джерела, за якими написано статтю
- "arXiv:2609.35005v1
https://arxiv.org/abs/2609.35005v1"