松谷君がJST AIPプロジェクトシンポジウムにてAIP加速課題に関する成果発表を行いました。

• 松谷 宏紀, “適応性と信頼性を両立するオンデバイス学習技術の確立”, AIPプロジェクトシンポジウム, 2026年3月.

講演スライドはこちらにあります。

松谷君がSolist-AIパートナーズDayにて以下の講演を行いました。

• 松谷 宏紀, “オンデバイス学習AIの最新状況”, Solist-AIパートナーズDay, 特別講演, 2026年2月.

We are working on local LLMs on resource-limited edge devices. This video demonstrates our KV cache sharing approach, in whicn two Raspberry Pi Zero 2W devices share their KV cache via the middle cache server to reduce TTFT (time to first token) when inferencing similar prompts. [Paper]

松谷研OBの杉浦先生（現、筑波大学）の以下の論文がIEEE Micro (Special Issue on AI for Hardware and Hardware for AI)に採録されました。

• Keisuke Sugiura, Masaaki Kondo, Radu Marculescu, Hiroki Matsutani, “InstantFT: An FPGA-Based Runtime Subsecond Fine-tuning of CNN Models”, IEEE Micro, Vol.xx, No.x, 2026. (to appear)

Open Access (IEEE Xplore)

松谷研M2の宮澤君が電子情報通信学会ネットワークシステム（NS）研究会 若手研究奨励賞を受賞しました。

• 宮澤 篤史, 松谷 宏紀, “FedDRP: 連合学習におけるリソース制約を考慮した動的データプルーニング”, NS研究会, 2026年1月.

本賞はネットワークシステム若手研究奨励賞の対象発表のうち、概ね10％程度に授与されています。

松谷研M2の宮澤君が電子情報通信学会ネットワークシステム研究会（2026年1月）にて以下の口頭発表を行いました。

• 宮澤 篤史, 松谷 宏紀, “[奨励講演] FedDRP: 連合学習におけるリソース制約を考慮した動的データプルーニング”, NS研究会, 2026年1月.

また、ソフトバンクとの共著論文を発表しました。

• 徳差 雄太, 松谷 宏紀, “AI-RAN環境におけるLLM推論向けGPUスケジューリング手法”, NS研究会, 2026年1月.

松谷研OBの杉浦先生（現、筑波大学）がInternational Conference on Field-Programmable Technology (FPT’25)にて以下の口頭発表を行いました。

• Keisuke Sugiura, Mizuki Yasuda, Hiroki Matsutani, “PointODE: Lightweight Point Cloud Learning with Neural Ordinary Differential Equations on Edge”, FPT’25, Dec 2025.

松谷研OBの須永君の以下の論文がIEICE Transactions on Information and Systemsに掲載されました。

• Kazuki Sunaga, Keisuke Sugiura, Hiroki Matsutani, “Performance and Power-Efficiency Improvements on Graph Embedding using Sequential Training Algorithm and FPGA”, IEICE Transactions on Information and Systems, Vol.E108-D, No.10, Oct 2025.

Open Access

松谷研M2の宮澤君が電子情報通信学会ネットワークシステム研究会（2025年9月）にて以下の口頭発表を行いました。

• 宮澤 篤史, 松谷 宏紀, “FedDRP: リソース制約を持つ連合学習における動的なデータプルーニング”, NS研究会, 2025年9月.

松谷君がセンシング技術応用研究会にて以下の招待講演を行いました。

• 松谷 宏紀, “オンデバイス学習：置いたその場で学習できる組込みAI”, センシング技術応用研究会, 招待講演, 2025年8月.

大学見本市2025（イノベーション・ジャパン）にて松谷研の研究成果を展示しました。

• 慶應義塾大学 理工学部 松谷研究室, “オンデバイス学習：置いたその場で学習できる組込みAI”, 大学見本市2025, ブース番号I-18, 2025年8月.

出展ページ

松谷研M2の杉浦君、中澤君、M1のMorris君がSWoPP 2025にて以下の口頭発表を行いました。

• 杉浦 直人, 藤木 大地, 松谷 宏紀, “機械学習を用いたキャッシュ管理手法の検討”, CPSY研究会, 2025年8月.
• 中澤 和貴, 松谷 宏紀, “LoRAの適用層を動的に切り替え可能なエッジデバイス向け学習手法”, CPSY研究会, 2025年8月.
• Quentin Edward Morris, Hiroki Matsutani, “Evaluating Zeroth-Order Fine Tuning on Models for Use in Intrusion Detection Systems”, CPSY研究会, 2025年8月.

また、筑波大の杉浦先生が松谷研との共同研究成果を発表しました。

• 杉浦 圭祐, 山口 佳樹, 松谷 宏紀, “ゼロ次最適化と誤差逆伝播の併用による軽量なオンデバイス学習の検討”, CPSY研究会, 2025年8月.

松谷君がInternational Forum on MPSoC for Software-defined Hardware (MPSoC’25)にて以下の招待講演を行いました。

• Hiroki Matsutani, “An Ultra-Fast On-Device CNN Finetuning Approach for Resource-Limited Edge Devices”, MPSoC’25, Jun 2025. [Slide]

松谷研OBの杉浦先生（現、筑波大学）の下記の論文がACM Transactions on Reconfigurable Technology and Systems (TRETS)に掲載されました。

• Keisuke Sugiura, Hiroki Matsutani, “FPGA-Accelerated Correspondence-free Point Cloud Registration with PointNet Features”, ACM Transactions on Reconfigurable Technology and Systems (TRETS), Vol.18, No.2, May 2025.

Open Access (ACM Digital Library)

Skip2-LoRA is our proposed lightweight finetuning method for DNN/CNN models. This video demonstrates its FPGA-based acceleration and classification accuracy. In this demo, the on-device finetuning is completed in 0.34 seconds, enabling a continous learning on resource-limited edge devices.

松谷君がThe Asia and South Pacific Design Automation Conference (ASP-DAC’25)にて以下の口頭発表を行いました。

• Hiroki Matsutani, Masaaki Kondo, Kazuki Sunaga, Radu Marculescu, “Skip2-LoRA: A Lightweight On-device DNN Fine-tuning Method for Low-cost Edge Devices”, ASP-DAC’25, Jan 2025.

松谷君がThe Asia and South Pacific Design Automation Conference (ASP-DAC’25) Work-in-Progressセッションにて以下のポスター発表を行いました。

• Hiroki Matsutani, Keisuke Sugiura, Masaaki Kondo, Radu Marculescu, “A Lightweight On-device CNN Fine-tuning using Skip2-LoRA and Quantized Cache”, ASP-DAC’25 WiP poster session, Jan 2025.

We are working on a lightweight finetuning method for DNN/CNN models. This video demonstrates its finetuning speed on Raspberry Pi Zero 2W and its classification accuracy on rotated images that require an on-device finetuning for adapting the rotation. Our paper is available at arXiv.