27、硬件感知概率电路：迈向高效的边缘计算

硬件感知概率电路：迈向高效的边缘计算

1. 引言

在现代物联网（IoT）时代，边缘设备的资源受限性成为实现复杂机器学习任务的主要瓶颈。电池供电的设备，如智能手机、智能手表和传感器节点，通常需要在有限的计算和存储资源下执行高效的推理和分类任务。硬件感知概率模型旨在通过优化资源消耗和性能之间的权衡，使这些设备能够在动态变化的环境中保持高效和鲁棒性。本文将详细介绍概率命题决策图（PSDDs）的属性及其在硬件感知系统中的应用。

2. 概率命题决策图（PSDDs）的属性

PSDDs是一种概率电路（PC），它可以表示一组随机变量上的联合分布，并且其结构可以通过生成式的方式完全从数据中学习。PSDDs的内部节点交替出现与门（相当于乘积节点）和或门（相当于求和节点），根节点必须是或门；每个叶节点编码了一个变量的分布。PSDDs受到三个结构约束：可分解性、平滑性和确定性。这些约束使得PSDDs能够高效地进行推理，并且可以保证多项式时间内回答许多复杂查询。

2.1 可分解性

可分解性确保每个乘积节点的子节点都是不相交的。例如，对于图5.1c中的PSDD，乘积节点的左子树和右子树分别对应不同的变量集。这使得PSDD能够将复杂的联合分布分解为更简单的独立分布，从而简化推理过程。

2.2 平滑性

平滑性确保每个求和节点的子节点依赖于相同的变量集。这使得PSDD能够处理多个条件概率查询，而不会因为变量集的不同而导致计算复杂度增加。

2.3 确定性

确定性意味着每个决策节点的输入（子节点）中只有一个可以为真。例如，图5.1b中的PSDD，Rain可以以0.8的概率为真，或者以