독립 연구자 Mohamed Menasy는 연속 혈당 모니터링기 데이터로부터 5개 클래스, 15분 단위 혈당 경향을 예측하기 위한 엔드투엔드 디바이스 내 머신러닝 파이프라인을 상세히 설명하는 GlucoEdge를 출판했습니다. 이 작업은 단 2,909개의 파라미터만 포함하는 컴팩트한 1D CNN을 소개하며 PyTorch에서 LiteRT로의 변환까지 전체 워크플로우를 다룹니다.
- 정적 INT8 사후 학습 양자화는 모델 아티팩트 크기를 약 31% 줄였습니다.
- 양자로 인해 매크로 리콜이 0.5060에서 0.4135로 하락했으며, 모든 네 방향 클래스에서 성능이 떨어졌습니다.
- 이 연구는 소수 클래스 동작에 대한 양자화의 영향(교정 데이터 커버리지 및 입력 범위 클리핑 포함)과 함께 배포 크기를 분석합니다.
- 오프라인 추론은 실제 Android 기기에서 테스트되었으며, 코드와 재현성 자료는 GitHub에서 이용 가능합니다.
저자는 명시적으로 중첩된 시계열 윈도우와 컨텍스트 접두사 누출 위험과 같은 한계를 지적하며, 이것이 의료 시스템이 아닌 연구용 프로토타입임을 명확히 합니다.