DeepNetQoE：深度网络的自适应体验质量优化框架
机器学习
2020-07-22 v1 信号处理
摘要
深度学习的未来进展及其对各领域人工智能（AI）发展的影响，在很大程度上取决于数据规模与计算能力。许多研究者认可以牺牲大量计算资源来换取网络模型更高精度率的做法。这导致巨大的计算消耗，且在计算资源有限时，并不总是能取得令人满意的结果。因此，有必要在资源与模型性能之间找到平衡，以获得满意结果。本文提出一种自适应体验质量（QoE）框架 DeepNetQoE，以指导深度网络的训练。我们建立了一个自适应 QoE 模型，将模型的精度与训练所需计算资源相关联，从而使模型的体验值得以提升。为了在計算机资源有限时最大化体验值，需要建立资源分配模型与求解方案。此外，我们基于四个网络模型开展实验，以人群计数示例分析体验值。实验结果表明，所提出的 DeepNetQoE 能够根据用户需求自适应地获得高体验值，从而指导用户确定分配给网络模型的计算资源。
引用
@article{arxiv.2007.10878,
title = {DeepNetQoE: Self-adaptive QoE Optimization Framework of Deep Networks},
author = {Rui Wang and Min Chen and Nadra Guizani and Yong Li and Hamid Gharavi and Kai Hwang},
journal= {arXiv preprint arXiv:2007.10878},
year = {2020}
}