一种缓解物联网应用中数据不完整性的节能集成方法

机器学习（ML）对基于物联网的应用日益重要。然而，许多物联网生态系统的动态性和自组织性给机器学习算法的效能带来了独特挑战。数据不完整性便是此类挑战之一，表现为传感器读数缺失。包括传感器故障和/或网络中断在内的许多因素都可能导致数据不完整。此外，大多数物联网系统受到严格的功耗限制。构建既对数据不完整性具有鲁棒性又具备高能效的基于物联网的机器学习系统至关重要。本文对 SECOE（一种近期提出的用于缓解物联网中数据不完整性的技术）进行了关于其能耗瓶颈的实证研究。为了解决 SECOE 的能耗瓶颈，我们提出了 ENAMLE——一种主动的、具备能耗感知的技术，用于缓解并发缺失数据的影响。ENAMLE 的独特之处在于它构建了一个具备能耗感知的子模型集成，每个子模型使用基于相关性精心挑选的传感器子集进行训练。此外，在推理阶段，ENAMLE 会根据缺失数据率和能耗-精度权衡，自适应地调整集成模型的数量。ENAMLE 的设计包含了多种在保持精度的同时最小化能耗的新颖机制。我们在两个不同的数据集上进行了广泛的实验研究，证明了 ENAMLE 的能效及其缓解传感器故障的能力。