تكييف تدريب نموذج المزيج الغاوسي للأجهزة المدمجة/الحدودية: تصميم منخفض الإدخال/الإخراج، مدرك للموعد النهائي وفعال من حيث الطاقة

تتركز هذه العمل على نموذج المزيج الغاوسي (GMM)، وهو نموذج تعلم آلي يستخدم في تقدير الكثافة وتحليل التجمعات في الرعاية الصحية، والشبكات، وما إلى ذلك. تُستخدم خوارزمية التوقع-الزيادة (EM) عادةً لتدريب نماذج GMM. أحد التحديات الرئيسية التي تواجه هذه الخوارزمية عند تشغيلها على الأنظمة المدمجة هو القيود الشديدة على الذاكرة. في الواقع، تتطلب خوارزمية EM عدة عمليات مسح لمجموعة البيانات ولاحظنا أنه عندما لا يمكن لمجموعة البيانات الإقامة بالكامل في الذاكرة الرئيسية، فإن تنفيذها يتم إبطاءه بشكل كبير بسبب حركات الإدخال/الإخراج. في هذه الورقة، نقدم تحسينًا لخوارزمية EM لنماذج GMM يقلل من عدد عمليات الإدخال/الإخراج بفضل مساهمتين رئيسيتين: (1) استراتيجية تقسيم وتغلب تقسم مجموعة البيانات إلى أجزاء، وتتعلم نموذج GMM بشكل منفصل على كل جزء وتجمع النتائج بشكل تدريجي. من خلال القيام بذلك، نمنع تبادل البيانات عدة مرات خلال عملية التعلم. (2) تقييد التدريب على مجموعة فرعية من البيانات يتم استنتاج حجمها عبر الإنترنت باستخدام خصائص البيانات مع تحقيق دقة جيدة. في المتوسط، تظهر نتائجنا تحسنًا بنسبة 63% في الوقت الإجمالي للتنفيذ مع دقة مماثلة. كما قمنا بتكييف تعلم GMM للعمل ضمن ميزانية زمنية محدودة بينما نحقق توازنًا جيدًا بين وقت التنفيذ واستهلاك الطاقة. وقد نجحت هذه الحلول في الوفاء بالموعد النهائي الثابت في 100% من الحالات وتقليل استهلاك الطاقة بنسبة تصل إلى 68.77%.