通过括号界定的预算学习
机器学习
2020-04-15 v1 机器学习
摘要
移动/IoT 环境下的常规机器学习应用将数据传至云服务器进行预测。由于成本考量（功耗、延迟、费用），期望最小化设备到服务器的传输。预算学习（BL）问题将学习者的目标设定为在所用方法可边缘实现的约束下，最小化云的使用同时不遭受可察觉的精度损失。我们通过括号界定的概念为 BL 问题提出一种新的表述。具体地，我们提议用一个“简单”类中的函数 将云的预测 夹住，使得几乎总有 。在实例 上，若 ，我们利用本地处理，绕过云。我们探索该表述的理论方面，提供 PAC 风格的可学习性定义；将预算可学习性的概念与通过括号的近似性相关联；并给出其性质的 VC 理论分析。我们在真实世界数据集上实证验证理论，展示相较先前基于门控方法的性能提升。
引用
@article{arxiv.2004.06298,
title = {Budget Learning via Bracketing},
author = {Aditya Gangrade and Durmus Alp Emre Acar and Venkatesh Saligrama},
journal= {arXiv preprint arXiv:2004.06298},
year = {2020}
}
备注
Slightly expanded version of a paper to be presented at AISTATS 2020