通过能量感知早退实现可持续边缘智能
系统与控制
2024-11-05 v2 人工智能
系统与控制
机器学习
摘要
深度学习（DL）模型已成为物联网（IoT）的一种有前景的解决方案。然而，由于其计算复杂性，DL 模型消耗大量能量，可能迅速耗尽电池并损害 IoT 设备的性能。为实现可持续运行，我们考虑一个具有可充电电池与能量收集（EH）能力的边缘设备。除环境能源的随机性外，收集速率往往不足以满足推理能量需求，导致能量无关设备的性能急剧下降。为缓解该问题，我们提出能量自适应动态早退（EE），以在 EH 边缘智能系统中实现高效且准确的推理。我们的方法推导出一种能量感知 EE 策略，在逐样本基础上确定最优的计算处理量。所提策略平衡能量消耗以匹配有限的输入能量，并实现持续可用性。数值结果表明，与能量无关策略相比，准确率与服务率分别提升高达 25% 与 35%。
引用
@article{arxiv.2305.14094,
title = {Sustainable Edge Intelligence Through Energy-Aware Early Exiting},
author = {Marcello Bullo and Seifallah Jardak and Pietro Carnelli and Deniz Gündüz},
journal= {arXiv preprint arXiv:2305.14094},
year = {2024}
}
备注
6 pages, accepted at IEEE MLSP 2023