4、硬件感知概率模型在边缘设备中的应用

硬件感知概率模型在边缘设备中的应用

1. 引言

在当今快速发展的技术环境中，边缘设备如无人机、智能手表、智能传感器和可穿戴健康贴片等，正在越来越多地被用于执行复杂的机器学习任务。这些设备通常受到电池寿命、计算能力和存储空间的严格限制。为了在这些资源受限的设备上实现高效的机器学习，需要一种能够平衡任务性能与资源消耗的方法。硬件感知概率模型（Hardware-aware Probabilistic Models）正是为了解决这一挑战而提出的。这类模型通过编码设备的硬件特性，能够在不同质量和精度级别的特征中进行推理和分类，从而实现资源与性能的最佳权衡。

2. 噪声可伸缩贝叶斯网络分类器

贝叶斯网络是一种概率模型，能够紧凑地编码条件独立性关系。噪声可伸缩贝叶斯网络分类器（ns-BN）扩展了贝叶斯网络，以表示不同质量和精度级别的特征，这些特征受到硬件噪声的影响。通过这种方式，ns-BN模型可以在广泛的成本与准确度性能之间运行，帮助选择适当前端配置以适应应用时间部署。

2.1 模型定义

ns-BN由一个贝叶斯网络分类器组成，该分类器扩展了代表各种（电路）噪声敏感和低精度版本的每个特征的节点。图 4.1a展示了五特征 ns-BN的一个例子，其中 Fi 表示无噪声的特征 i，Fi’ 表示其有噪声的版本。

ns-BN模型编码了以下联合概率分布，覆盖了类别变量 C 和无噪声和有噪声的特征集 F={F1,…, Fn} 和 F’={F1’,…, Fn’}:

[ \text{Pr}(C, F, F’) = \prod_{i=1}^{n} \text{Pr}(F_i’ | F_i) \cdot \text{Pr}(F_1