20、实现硬件感知的局部帕累托最优特征质量调整

实现硬件感知的局部帕累托最优特征质量调整

1. 引言

在当今的物联网（IoT）时代，边缘计算范式越来越受到关注，因为它可以解决云计算在隐私、延迟和效率方面的问题。然而，边缘设备（如智能手表、健康追踪器等）通常受到能源和计算带宽的限制。为了在这些资源受限的设备上实现高效的机器学习，必须在准确度和成本之间找到最佳权衡。为此，提出了一种基于噪声可扩展贝叶斯网络分类器（ns-BN）的方法，通过局部帕累托最优搜索来调整特征质量，从而实现最优的硬件感知成本与准确度权衡。

2. ns-BN的结构

ns-BN是一种特殊的贝叶斯网络分类器，它扩展了每个特征的节点以表示不同质量或噪声水平下的版本。具体来说，ns-BN允许表示多个硬件引起的质量或噪声容忍度层面的特征。通过参数化分布 ( \text{Pr}(F_i’ | F_i) )，ns-BN可以适应目标硬件的特性。例如，对于混合信号噪声，可以使用高斯分布进行建模，而对于量化噪声，可以使用确定性分布。

ns-BN的结构编码了以下联合概率分布，涵盖了类别变量 ( C ) 和无噪声及有噪声的特征集 ( F ) 和 ( F’ )：

[ \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，( \text{Pr}(F_1, …, F_n, C) ) 编码了一个贝叶斯网络分类器，覆盖 ( F ) 和 ( C )。例如，这可以是一个树增强朴素贝叶斯分类器（TAN），如图所示。

g