面向实时可重构机器学习的资源高效可穿戴计算：一种级联二分类方法
机器学习
2019-07-09 v1
摘要
嵌入式系统的进步使得许多轻量级传感设备得以融入我们的日常生活。这一趋势尤其推动了可穿戴传感器在从健康与健身监测到社交网络与军事监视等广泛应用中的持续扩展。可穿戴设备利用机器学习技术，通过活动识别算法刻画终端用户的行为习惯。当前研究假设此类机器学习算法为离线训练。然而现实中，由于运行高度动态，可穿戴设备要求其计算算法持续重构。开发个性化与自适应机器学习模型需要对模型进行实时重构。受限于这些嵌入式传感器严苛的计算与内存约束，计算算法的训练/再训练须具备内存与计算高效性。本文提出一种基于在线学习概念的框架，用于实时与设备端机器学习训练。我们提出利用级联在线二分类器，将活动识别问题由多类分类问题转化为二值决策的层次模型。基于 Pegasos 在线学习的结果表明，所提方法在有限内存下检测不同强度活动的准确率达 97%，同时系统功耗降低逾 40%。
引用
@article{arxiv.1907.03250,
title = {Resource-Efficient Wearable Computing for Real-Time Reconfigurable Machine Learning: A Cascading Binary Classification},
author = {Mahdi Pedram and Seyed Ali Rokni and Marjan Nourollahi and Houman Homayoun and Hassan Ghasemzadeh},
journal= {arXiv preprint arXiv:1907.03250},
year = {2019}
}