6、硬件感知概率模型在运行时策略中的应用

硬件感知概率模型在运行时策略中的应用

1. 引言

在物联网（IoT）和边缘计算的时代，越来越多的便携式设备需要具备智能处理能力。然而，这些设备通常受到严格的资源限制，如电池寿命和计算能力。因此，如何在这些设备上实现高效的机器学习成为了一个重要课题。本文将探讨如何通过硬件感知概率模型（Hardware-Aware Probabilistic Models）在运行时动态调整模型复杂度和特征质量，以应对传感器故障和资源限制，确保模型的鲁棒性和高效性。

2. 噪声可扩展贝叶斯网络：运行时缺失特征

2.1 运行时帕累托最优选择

噪声可扩展贝叶斯网络分类器（ns-BNs）能够表示可扩展的传感器前端提供的信号质量变化。通过这种方式，ns-BNs可以评估不同设备配置对分类任务质量及系统成本的影响。然而，离线推导出的单一静态帕累托最优集无法考虑运行时可能出现的动态变化，如传感器故障或环境条件的变化。

为了解决这个问题，提出了一种运行时调整策略，即在运行时根据设备当前状态本地确定适当的噪声容忍度设置。该策略依赖于一个闭环架构，通过评估设备当前状态和当前成本及准确度要求来选择最佳配置。

算法流程

graph TD;
    A[运行时调整模块] --> B{输入：传感链状态};
    B --> C[初始配置：公式 v19中的 S];
    C --> D[评估：算法 5];
    D --> E{选择：帕累托最优配置};
    E --> F[输出：选定的特征配置];