边缘计算中用于数据流分类的装袋集成性能与能耗平衡
机器学习
2022-01-19 v1
摘要
近年来，边缘计算（EC）范式已成为物联网（IoT）和5G网络等技术发展的推动因素，弥合了云计算服务与终端用户之间的差距，为延迟敏感应用提供低延迟、移动性和位置感知支持。EC中的多数解决方案采用机器学习（ML）方法对连续且演化的数据流执行数据分类及其他信息处理任务。通常，此类解决方案须在处理作为数据流涌入的大量数据的同时，平衡算法能耗、延迟和预测性能。集成方法因结合多个模型及选择性重置的可能性，在应用于演化数据流时取得卓越预测性能。本工作研究优化装袋集成用于数据流分类的性能（即延迟、吞吐量）与能耗的策略。实验评估涉及六种最先进集成算法（OzaBag、OzaBag Adaptive Size Hoeffding Tree、Online Bagging ADWIN、Leveraging Bagging、Adaptive RandomForest和Streaming Random Patches），在三个计算平台上应用五个具有不同特征的常用机器学习基准数据集。此类策略能在96%的评估实验场景中显著降低能耗。尽管存在权衡，仍可对它们进行平衡以避免预测性能显著损失。
引用
@article{arxiv.2201.06205,
title = {Balancing Performance and Energy Consumption of Bagging Ensembles for the Classification of Data Streams in Edge Computing},
author = {Guilherme Cassales and Heitor Gomes and Albert Bifet and Bernhard Pfahringer and Hermes Senger},
journal= {arXiv preprint arXiv:2201.06205},
year = {2022}
}
备注
18 pages. arXiv admin note: text overlap with arXiv:2112.09834