13、运行时策略：应对动态条件下的成本与精度挑战

运行时策略：应对动态条件下的成本与精度挑战

在许多实际应用场景中，设备的运行条件是动态变化的，这给模型的性能和成本控制带来了挑战。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）的运行时优化策略和硬件感知概率句子决策图（PSDDs）的模型复杂度切换策略，帮助大家在动态环境中实现成本与精度的平衡。

1. 噪声可扩展贝叶斯网络：运行时缺失特征的处理

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。之前的方法通过该模型的特性全面探索了成本与精度的权衡空间，找到了帕累托最优的前端噪声容忍度设置。然而，动态变化的设备和环境条件（如传感器故障）在离线推导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帕累托最优选择时的条件不同，离线选择的最优配置在运行时可能无法达到预期性能。因此，需要在运行时根据设备的当前状态本地确定合适的噪声容忍度设置。

1.1 运行时帕累托最优选择

之前提出的策略用于确定传感器前端配置以实现帕累托最优的精度与成本权衡，但这些配置仅在选择条件不变时才是最优的。例如，在人类活动识别基准测试中，关闭陀螺仪 - X 并允许其他特征有更多噪声可大幅降低成本且精度损失低于 10%。但如果加速度计 - X 突然不可用，精度损失可能会超过预期。

为了解决这个问题，提出了在运行时评估策略的方法。动态调整块接收传感器链的状态作为输入，即初始配置 $\theta_{init}$，然后根据当前状态评估策略。算法 5（SCALEFEATURENOISERT）实现了这一过程，它是一种贪婪邻域搜索算法，通过迭