物联网终端节点上基于类别相关置信度的节能自适应机器学习
机器学习
2022-04-08 v1
摘要
能够直接在边缘设备上运行的节能机器学习模型在物联网应用中备受关注，因为它们可以减轻网络压力、降低响应延迟并提高隐私性。在精度损失较小的情况下实现能效的一种有效方法是顺序执行一组复杂度递增的模型，对于那些能被最小模型自信分类的“简单”输入，提前停止该过程。作为停止准则，当前方法对每个模型输出的概率使用单一阈值。在这项工作中，我们表明，对于包含不同复杂度类别的数据集，这种准则是次优的，并展示了一种基于每类阈值的更通用方法。通过在低功耗终端节点上的实验，我们证明与单一阈值方法相比，我们的方法可以显著降低能耗。
引用
@article{arxiv.2204.03431,
title = {Energy-Efficient Adaptive Machine Learning on IoT End-Nodes With Class-Dependent Confidence},
author = {Francesco Daghero and Alessio Burrello and Daniele Jahier Pagliari and Luca Benini and Enrico Macii and Massimo Poncino},
journal= {arXiv preprint arXiv:2204.03431},
year = {2022}
}
备注
Published in: 2020 27th IEEE International Conference on Electronics, Circuits and Systems (ICECS)