UR2M：微控制器上不确定性与资源感知的事件检测
机器学习
2024-03-14 v3 人机交互
摘要
传统机器学习技术在面对训练与测试阶段之间数据分布偏移时，倾向于生成不准确的预测。这种脆弱性可能导致严重后果，尤其在移动医疗等应用中。不确定性估计有望通过评估模型输出的可靠性来缓解这一问题。然而，现有的不确定性估计技术通常需要大量的计算资源和内存，使其难以在微控制器（MCU）上实施。这一限制阻碍了许多重要的设备端可穿戴事件检测（WED）应用（如心脏病发作检测）的可行性。本文提出了 UR2M，一种面向 MCU 的新型不确定性与资源感知事件检测框架。具体而言，我们：(i) 开发了一种基于证据理论的不确定性感知 WED，以实现准确的事件检测和可靠的不确定性估计；(ii) 引入级联机器学习框架，通过在不同事件模型间共享较浅的模型层并利用早期退出机制，实现高效的模型推理；(iii) 优化模型部署与 MCU 库以提升系统效率。我们在三个可穿戴数据集上进行了广泛实验，并将 UR2M 与传统不确定性基线进行了比较。结果表明，UR2M 在两种流行 MCU 上实现了高达 864% 的推理速度提升、857% 的不确定性估计能耗节省、55% 的内存节省，以及 22% 的不确定性量化性能提升。UR2M 可部署于广泛的 MCU 上，显著扩展了实时且可靠的 WED 应用。
引用
@article{arxiv.2402.09264,
title = {UR2M: Uncertainty and Resource-Aware Event Detection on Microcontrollers},
author = {Hong Jia and Young D. Kwon and Dong Ma and Nhat Pham and Lorena Qendro and Tam Vu and Cecilia Mascolo},
journal= {arXiv preprint arXiv:2402.09264},
year = {2024}
}