E-QUARTIC：面向资源优化学习的能效边缘 CNN 集成
分布式、并行与集群计算
2024-09-16 v1 人工智能
新兴技术
性能
摘要
集成学习是一种元学习方法，通过组合多个学习者的预测来提高准确性和鲁棒性。尽管如此，像卷积神经网络 (CNN) 这样的集成模型会导致高内存和计算开销，阻碍其在嵌入式系统中的部署。这些设备通常配备小型电池提供电力，可能包括从环境中提取能源的能量收集模块。本文提出 E-QUARTIC，一种面向面向嵌入式系统构建 CNN 集成的能效边缘集成框架。我们的设计超越了单实例 CNN 基线和最先进的边缘 AI 解决方案，提高准确率并适应不同能源条件，同时保持类似的内存要求。然后，我们利用所设计集成的多 CNN 结构，在能量收集 AI 系统中实现能感知模型选择策略。我们展示了该解决方案通过降低系统故障率最高可降低 40% 的优势，同时确保更高的平均输出质量。最终，我们表明所提出的设计使面向设备的训练与高质量推理执行能够在边缘同时进行，将性能和能源开销限制在小于 0.04%。
引用
@article{arxiv.2409.08369,
title = {E-QUARTIC: Energy Efficient Edge Ensemble of Convolutional Neural Networks for Resource-Optimized Learning},
author = {Le Zhang and Onat Gungor and Flavio Ponzina and Tajana Rosing},
journal= {arXiv preprint arXiv:2409.08369},
year = {2024}
}
备注
Accepted by the 30th Asia and South Pacific Design Automation Conference (ASP-DAC 2025)