Frugal Machine Learning (FML)은 계산 자원, 시간, 에너지, 데이터 사용을 최소화하면서 허용 가능한 성능을 달성하는 것을 목표로 하는 머신러닝(ML) 모델 설계 방식입니다. 입력 절약, 학습 과정 절약, 모델 절약 등 세 가지 범주로 나뉘며, 각각 ML 파이프라인의 다른 단계에서 자원 소비를 줄이는 데 중점을 둡니다. 이 논문은 FML의 최근 발전, 응용 분야, 미해결 과제를 탐구하며, 대역폭, 에너지 또는 지연 시간에 대한 엄격한 제한을 갖는 에지 컴퓨팅 및 IoT 장치를 통합하는 스마트 환경의 중요성을 강조합니다. 모델 압축, 에너지 효율적인 하드웨어, 데이터 효율적인 학습 기술과 같은 기술적 가능 요소와 매개변수 정규화, 지식 증류, 동적 아키텍처 설계를 포함한 적응형 방법을 논의하며, 이를 통해 전체 재훈련 없이 점진적인 모델 업데이트가 가능합니다. 또한, 절약형 방법의 포괄적인 분류 체계를 제공하고, 다양한 분야의 사례 연구를 논의하며, 이 진화하는 분야에서 혁신을 주도하기 위한 미래 연구 방향을 제시합니다.
