14、模型复杂度切换策略：原理、应用与实验

模型复杂度切换策略：原理、应用与实验

1. 模型切换策略概述

在许多实际应用场景中，当前样本前后的样本很可能属于同一活动或类别。基于此特性，模型切换策略会每 TPolicy 个样本应用一次策略（如图中橙色部分所示），并且仅在过去的预测不稳定时才会执行。这里通过变量 Stable （如图中绿色部分所示）来管理预测的稳定性。具体而言，如果当前样本之前的 TPolicy 个预测结果不完全相同，则应用该策略；反之，若预测结果稳定，策略会认为当前分类任务较为简单，从而强制使用简单模型（ τ = S ）。

2. 模型选择

2.1 帕累托最优模型对

模型切换策略依赖于从帕累托最优前沿提取的模型对。硬件感知的权衡提取过程会输出一组帕累托最优系统配置 $\zeta^ ={ {\kappa^ i, F^ _i, S^ _i, nb^*_i} {i = 1:p}}$，其中：
- $\kappa$ 表示模型（在某些情况下为 PSDD）。
- $F$ 指可用的特征子集。
- $S$ 为传感器子集。
- $nb$ 是用于表示参数和执行推理所需算术运算的位数。

每个帕累托最优模型 $\kappa^ _i$ 都根据相应的系统配置进行编码，它表示变量集 $F^ _i$ 上的分布，该变量集由传感器子集 $S^ _i$ 提供，并且其包含的求和、乘积和参数都用 $nb^ _i$ 位进行编