面向移动平台上智能健康应用的能量感知数据驱动智能实现
机器学习
2023-02-02 v1 计算机视觉与模式识别
摘要
近期低成本移动 GPU 等强大移动计算资源的突破性技术进展，以及前沿的开源软件架构，使得移动平台上的高性能深度学习成为可能。这些进步从多个维度革新了当今移动应用的能力，使其能在本地执行数据驱动智能，尤其体现在智能健康应用中。不同于传统机器学习（ML）架构，现代端侧深度学习框架善于无缝利用移动平台的计算资源，以更短推断时间产出高度准确的结果。然而另一方面，移动设备的能量资源通常有限。因此，每当将复杂的深度神经网络（DNN）架构输入端侧深度学习框架时，尽管其实现了高预测准确率（与性能），也会在运行时引发巨大的能量需求。因而，在性能与能量效率的谱系内高效管理这些资源，是任何具备数据驱动智能的移动应用超越实验评估后的最新挑战。本文首先及时回顾端侧深度学习的近期进展，并通过将其部署于智能健康应用，实证评估当前最先进 ML 架构与传统 ML 方法的性能指标，重点强调能量特性。基于此，我们引入一种通过能量感知的自适应模型理解与现实化（EAMCR）方法的新框架，可用于基于移动设备运行时可用计算/能量资源做出更鲁棒且高效的推断决策。
引用
@article{arxiv.2302.00514,
title = {Towards Implementing Energy-aware Data-driven Intelligence for Smart Health Applications on Mobile Platforms},
author = {G. Dumindu Samaraweera and Hung Nguyen and Hadi Zanddizari and Behnam Zeinali and J. Morris Chang},
journal= {arXiv preprint arXiv:2302.00514},
year = {2023}
}