面向IoT设备的感知器感知分类器
机器学习
2024-07-12 v1
摘要
时间序列数据处理是许多实际应用的重要组成部分，如健康监测、环境监测和数字农业。这些应用收集传感器数据的离散窗口（如几秒），并加以处理以评估环境状况。机器学习(ML)模型因其在分类上的泛化能力而被用于时间序列应用。当前最先进的时间序列应用会等待整个传感器数据窗口可用后，再使用机器学习算法进行处理，导致传感器能耗高。然而，並非所有情況都需要处理完整的数据窗口才能做出准确推断。例如，在活动识别中，坐姿和站姿活动可通过部分窗口推断。基于此洞见，我们提出在部分传感器窗口上使用早期退出分类器，以维持准确性的同时最小化能耗。具体而言，我们首先利用多个早期退出点，依次增加可用数据量。当早期退出提供高置信度推断时，我们返回标签并进入低功耗模式以关闭传感器。该方法可能在时间序列应用中实现显著的能耗节省。我们使用神经网络和随机森林分类器进行评估。我们的评估显示，该方法在不影响准确性的前提下，平均可实现50%-60%的能耗节省。能耗节省可使遥隔地点能源有限的时序应用得以实现。
引用
@article{arxiv.2407.08715,
title = {Sensor-Aware Classifiers for Energy-Efficient Time Series Applications on IoT Devices},
author = {Dina Hussein and Lubah Nelson and Ganapati Bhat},
journal= {arXiv preprint arXiv:2407.08715},
year = {2024}
}