11、硬件感知概率电路实验与学习策略研究

硬件感知概率电路实验与学习策略研究

在机器学习和硬件计算结合的领域，如何平衡系统性能、成本和鲁棒性是一个关键问题。本文将深入探讨一系列相关实验和学习策略，包括帕累托最优权衡实验、对缺失特征的鲁棒性评估，以及具有判别性偏差的PSDD学习方法。

1. 帕累托最优权衡实验

1.1 特征成本

数据集的特征提取涉及对感官信号进行采样、应用三个低通滤波器，并计算所得信号的统计量（如均值、最大/最小值、相关性和标准差）。与滤波操作相比，采样和提取统计特征所需的操作数量较少。例如，计算样本均值只需一次MAC（乘加，包括一次乘法和一次加法）操作，而三阶低通滤波器至少需要九次。因此，滤波操作占据了大部分计算量，假设每个特征提取的成本为30次MAC操作。

1.2 帕累托最优配置

实验分为三个阶段，以训练集Ftrain为例：
1. 模型映射 ：将κ中的每个模型映射到权衡空间，用黑色表示。
2. 特征和传感器集缩放 ：从每个模型开始，使用SCALESI算法对特征和传感器集（F, S）进行缩放，此阶段提取的局部帕累托最优用蓝色表示。
3. 精度降低 ：降低这些帕累托剪枝配置的精度nb，得到用红色突出显示的帕累托前沿。

通过修剪可用的28个特征中的11个，该方法可保持最高的基线训练集准确率，CHA节省率达53%（点2）。若能容忍0.4%的准确率损失，使用较小的模型（κ3）、修剪18个特征、关闭一个传感器并使用32位表示，系统成本仅为原始成本的13%（点3）。

1.3 实验结果分析