面向资源受限环境的自适应机器学习
机器学习
2025-03-25 v1
摘要
物联网是一个典型领域，其数据持续以不断增长的量生成，反映了互联设备的激增以及随时间推移连续数据流的形成。因此，对临时、低成本的机器学习解决方案的需求必须适应这种不断演变的数据涌入。本研究致力于解决小型网关中的计算卸载任务，而网关随时间变化的动态可用性使该问题更加棘手。我们提出了一种利用CPU利用率指标并结合在线与持续机器学习技术的方法，以预测网关可用性。我们将这些方法与流行的机器学习算法以及近期的时间序列基础模型Lag-Llama在微调和零样本设置下进行了比较。其性能在一个随时间变化的物联网网关CPU利用率测量数据集上进行了基准测试，重点关注预测误差、训练与推理时间以及内存消耗等模型指标。我们的主要目标是研究在物联网环境中预测CPU性能的新型高效方法。在各种场景下，我们的研究结果表明，集成方法与在线方法在准确性方面为该任务提供了有前景的结果，同时保持了较低的资源占用。
引用
@article{arxiv.2503.18634,
title = {Adaptive Machine Learning for Resource-Constrained Environments},
author = {Sebastián A. Cajas Ordóñez and Jaydeep Samanta and Andrés L. Suárez-Cetrulo and Ricardo Simón Carbajo},
journal= {arXiv preprint arXiv:2503.18634},
year = {2025}
}
备注
17 pages, 11 figures, accepted at DELTA 2024 (Workshop on Discovering Drift Phenomena in Evolving Landscapes), co-located with ACM SIGKDD 2024. This preprint has not undergone peer review. The Version of Record is available at https://doi.org/10.1007/978-3-031-82346-6_1