边缘发生之事，留于边缘：迈向压缩深度学习

边缘机器学习带来了诸多益处，如增强的隐私与安全、低延迟以及更高的自主性。然而，一个主要挑战是许多设备，尤其是边缘设备，具有极有限的内存、弱处理器和稀缺的能源供应。我们提出了一种混合硬件-软件框架，有望显著降低设备端机器学习在计算复杂度和内存需求上的负担。第一步，受压缩感知启发，数据在感知过程中同时以压缩形式采集。因此该压缩已在数据采集阶段的硬件层面完成。但与压缩感知不同，此压缩通过专门为目标机器学习任务定制的投影算子实现。第二步由一个专门设计并训练的深度网络构成。作为具体示例，我们考虑图像分类任务，尽管所提框架具有更广泛的适用性。我们方法的额外好处是可轻松与现有设备端技术结合。数值模拟说明了我们方法的可行性。