14、模型复杂度切换策略解析

模型复杂度切换策略解析

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，存在一种模型切换策略，该策略每 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应用，这由变量 Stable （如图中绿色部分所示）控制。也就是说，如果当前样本之前的 TPolicy 个预测结果不同，则应用该策略；否则，认为当前分类任务简单，强制使用简单模型（ τ = S ）。

2. 模型选择

• Pareto 最优模型对 ：模型切换策略依赖于从 Pareto 最优前沿提取的模型对。硬件感知策略会输出一组 Pareto 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（如 PSDD），$F$ 指可用特征子集，$S$ 指传感器子集，$nb$ 指用于表示参数和执行推理所需算术运算的位数。每个 Pareto 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，其包含的和、积以及参数都用 $nb^*_i$ 位进行编码。
• 模型对选择 ：策略考虑一对 Pareto 最