16、资源感知机器学习技术：原理、应用与未来方向

资源感知机器学习技术：原理、应用与未来方向

1. 核心贡献概述

1.1 特征噪声感知的概率模型扩展

引入了噪声可扩展的贝叶斯网络分类器，用于表示硬件噪声对特征质量的影响。该模型可确定每个特征的噪声水平，以在给定成本下实现最高精度，反之亦然。在闭环系统中，该分类器能在运行时确定局部最优的特征噪声水平，并且对多种传感器故障情况具有鲁棒性。

1.2 硬件成本感知的概率模型扩展

提出了一种基于概率命题决策图（PSDDs）的方法，将嵌入式传感/推理管道不同阶段的能耗映射到硬件感知的成本指标。同时，提出了一种顺序搜索策略，用于提取局部最优的系统级配置，以在给定能量成本下实现最高精度，反之亦然。此外，还提出了一种根据任务难度在不同模型之间切换的策略，该策略在低成本区域表现出色，适用于电池寿命有限的嵌入式场景。

1.3 不可靠极端边缘节点的部署支持

通过为LEARNPSDD算法添加判别性偏差，确保特征 - 类别关系在学习模型中始终得到体现。这使得学习模型在分类精度上始终高于或等于朴素贝叶斯分类器，同时对缺失特征具有鲁棒性。该模型学习策略在评估模型切换策略的实验中得到验证，证明对故障传感器具有较强的鲁棒性。

2. 实际应用可行性

相关技术在多个用例中得到了验证，包括人类活动识别、机器人导航和语音活动检测等。实验结果表明，这些技术能够适应不同类型的硬件配置（如不同类型的传感器和特征）和不同的噪声源（模拟、数字或混合信号），证明了将硬件感知概念应用于概率模型的广泛适用性。

3. 未来工作建议

3.1 其他资源和工作负载