要約
研究者らがメモリ100KB以下の超小型マイコン向け継続学習型物体検出手法「AHC」を発表。 MAMLベースのメタ学習で5ステップ適応・破滅的忘却を抑制し、階層的圧縮で軽量推論を実現。 極限のリソース制約下でのエッジAI展開に道を開く成果として注目される。
100KBマイコンで継続的物体検出、新手法AHCが登場
AHC: Meta-Learned Adaptive Compression for Continual Object Detection on Memory-Constrained Microcontrollers
原文を読む →
https://arxiv.org/abs/2604.09576
本論文はマイクロコントローラ（MCU）上での継続的物体検出という極めて制約の厳しい問題に取り組む。提案手法AHC（Adaptive Hierarchical Compression）は3つの柱で構成される。①MAML（Model-Agnostic Meta-Learning）ベースの真の適応的圧縮：従来のFiLMコンディショニング（固定変換でタスク適応）と異なり、各新タスクに対して勾配降下法を5ステップ実行し圧縮パラメータを動的調整する。②階層的マルチスケール圧縮：FPN（Feature Pyramid Network）の各スケール層の冗長性に合わせたスケール固有の圧縮比（P3層=8:1、P4層=6.4:1、P5層=4:1）を採用し、情報損失を最小化しつつメモリを節約する。③双対メモリアーキテクチャ：短期・長期メモリバンクを組み合わせ、重要度ベースの記憶統合を100KB以内で実施、破滅的忘却を理論的保証付きで抑制する。GPT-4oやGemini等の大規模モデルとは異なるエッジ推論の文脈だが、IoTデバイスや組込みシステムへの展開に直結する実用的意義が高い。メモリ制約下での継続学習の理論的境界を提示した点も学術的貢献として注目される。