7、硬件感知概率模型在极端边缘计算中的应用与优化

硬件感知概率模型在极端边缘计算中的应用与优化

1 概述和贡献

在当今技术飞速发展的时代，设备的普及无疑是一系列技术突破的产物，如半导体技术的进步和算法创新。从以云为中心的计算范式转向边缘计算，尤其是在机器学习领域，带来了引人注目的增长。然而，资源受限的边缘设备面临着诸多挑战，如隐私、延迟和效率问题。本书探讨了如何通过赋予概率模型硬件感知能力来应对这些挑战，从而实现任务级性能与资源消耗之间的最佳权衡。

1.1 扩展具有特征噪声意识的概率模型

概率模型能够处理动态变化的环境条件，并对噪声和缺失数据具有鲁棒性。第4章介绍了噪声可扩展贝叶斯网络分类器（ns-BNs），该分类器可以表示硬件噪声对提取特征质量的影响。通过这种方式，ns-BNs可以在给定成本下确定每种特征的噪声水平，以实现最高准确度。具体来说，ns-BNs允许在不同噪声容忍度下评估分类准确度与能源成本之间的权衡，从而帮助识别出帕累托最优的配置。

1.1.1 ns-BNs的结构和推理

ns-BNs由贝叶斯网络分类器扩展而来，增加了表示噪声特征版本的节点。图4.1展示了ns-BNs的结构，其中 Fi 表示无噪声特征， Fi' 表示有噪声特征。ns-BNs的联合概率分布定义为：

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

其中， C 是类别变量， F 和 F'