智能物联网系统中近似贝叶斯深度学习的挑战与机遇
机器学习
2021-12-06 v1
摘要
近似贝叶斯深度学习方法在解决智能系统部署深度学习组件时出现的若干问题中颇具前景，包括缓解过度自信错误的发生以及提供对分布外样本增强的鲁棒性。然而，现有近似贝叶斯推断方法的计算需求可能使其不适合部署于包含较低算力边缘设备的智能物联网系统。本文提出一系列用于监督式深度学习的近似贝叶斯推断方法，并强调在当前边缘硬件上应用这些方法的挑战与机遇。我们强调了若干降低模型存储需求与改进计算可扩展性的潜在解决方案，包括模型剪枝与蒸馏方法。
引用
@article{arxiv.2112.01675,
title = {Challenges and Opportunities in Approximate Bayesian Deep Learning for Intelligent IoT Systems},
author = {Meet P. Vadera and Benjamin M. Marlin},
journal= {arXiv preprint arXiv:2112.01675},
year = {2021}
}