面向基于KL散度的在线机器学习算法的可重构智能架构
信号处理
2020-02-19 v1 机器学习
摘要
在线机器学习（OML）算法不需要任何训练阶段，可直接部署于未知环境。OML包含多臂老虎机（MAB）算法，其通过在所有臂的探索与最优臂的利用之间取得平衡，从若干臂中识别最优臂。基于Kullback-Leibler散度的上置信界（KLUCB）是最先进的MAB算法，可优化探索-利用权衡，但由于底层优化例程而较为复杂。这限制了其在机器人与无线电应用中的实用性，这类应用要求将KLUCB与系统级芯片（SoC）上的物理层（PHY）集成。本文通过以可替代的可综合计算实现优化例程且不牺牲性能，将KLUCB算法高效映射到SoC上。所提架构具有动态可重构性，可实时更改臂的数量以及算法类型。具体而言，在初始学习后，实时切换至轻量级UCB可带来约10倍的延迟与吞吐率提升。由于学习时长取决于未知的臂统计特性，我们在架构中嵌入智能以决定切换时刻。我们通过一个实际无线应用验证了所提架构的功能正确性与实用性，详细的复杂度分析证明了其在实现智能无线电方面的可行性。
引用
@article{arxiv.2002.07713,
title = {Intelligent and Reconfigurable Architecture for KL Divergence Based Online Machine Learning Algorithm},
author = {S. V. Sai Santosh and Sumit J. Darak},
journal= {arXiv preprint arXiv:2002.07713},
year = {2020}
}