13、运行时策略：应对动态条件下的模型优化

运行时策略：应对动态条件下的模型优化

在实际的应用场景中，设备和环境条件往往是动态变化的，这就要求模型能够在运行时做出相应的调整，以实现成本与准确性之间的最佳平衡。本文将介绍两种运行时策略，分别是噪声可扩展贝叶斯网络（ns - BNs）的运行时选择策略和模型复杂度切换策略，帮助大家理解如何在动态环境中优化模型性能。

噪声可扩展贝叶斯网络：运行时处理缺失特征

噪声可扩展贝叶斯网络分类器（ns - BNs）能够表示可扩展传感器前端提供的信号质量变化之间的概率关系。在离线阶段，我们可以利用该模型的特性全面探索成本与准确性的权衡空间，找到帕累托最优的前端噪声容忍设置。然而，模型中未表示的动态变化的设备和环境条件，如传感器故障的可能性，在离线推导这个单一静态帕累托最优集时无法被考虑到。

即使概率模型对不可用特征具有一定的鲁棒性，但实际运行时条件可能与进行帕累托最优选择时的条件不同。在这种情况下，离线选择的帕累托最优噪声容忍配置在运行时可能无法表现出相同的性能，甚至可能无法达到帕累托最优性能。

为了解决这个问题，我们可以在运行时根据设备的当前状态本地确定合适的噪声容忍设置，而不是在离线阶段预先定义这些设置。

运行时帕累托最优选择

之前提出的策略可以确定哪些传感器前端配置能实现帕累托最优的准确性与成本权衡，但这些配置只有在选择时的条件保持不变时才是帕累托最优的。例如，在人类活动识别基准测试中，通过关闭陀螺仪 - X 并允许其他特征有更多噪声，可以将混合信号前端成本降低四个数量级以上，同时准确性损失低于 10%。但如果加速度计 - X 突然不可用，准确性损失可能会高于预期的 10%。

因此，我们提出了 SCALE