کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6865585 679059 2015 11 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Learning Resource-Aware Classifiers for Mobile Devices: From Regularization to Energy Efficiency
ترجمه فارسی عنوان
طبقهبندی منابع آگاهی برای دستگاههای موبایل: از منظر سازی به کارایی انرژی
ترجمه چکیده
دستگاه های موبایل سیستم های محدود منابع هستند که تعداد زیادی از خدمات و ویژگی ها را ارائه می دهند. گوشی های هوشمند، به عنوان مثال، ویژگی های پیشرفته و خدمات برای کاربر نهایی را علاوه بر قابلیت های ارتباطی معمولی نیز می رسانند. الگوریتم های یادگیری ماشین می تواند در ارائه چنین ویژگی های پیشرفته کمک کند، اما سیستم های تلفن همراه از مسائل مربوط به ماهیت محدود منابع خود رنج می برند، مانند، ظرفیت باتری محدود و قدرت پردازش، و بنابراین حتی فعالیت های ساده تشخیص الگو می تواند بیش از حد خواستار شود، در این رابطه ما در اینجا پیشنهاد یک روش برای طراحی الگوریتم شناسایی فعالیت های انسانی می دهیم، که در نظر گرفتن این واقعیت است که تنها منابع محدود برای اجرای آن در دسترس هستند. به طور خاص، فضای فرضیه مدل های تشخیص ممکن را با استفاده از برخی مفاهیم پیشرفته از نظریه ی یادگیری آماری محدود می کنیم تا انتخاب مدل هایی با توانایی تعمیم خوب، اما پیچیدگی محاسباتی کم باشد. سپس مدل آموخته می تواند به طور موثر بر روی دستگاه تلفن همراه و محدود منابع اجرا شود: آزمایش های انجام شده بر روی یک گوشی هوشمند فعلی نسل، مزایای رویکرد پیشنهادی را از لحاظ دقت و مدت زمان باتری نشان می دهد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
چکیده انگلیسی
Mobile devices are resource-limited systems that provide a large number of services and features. Smartphones, for example, implement advanced functionalities and services for the final user, in addition to conventional communication capabilities. Machine Learning algorithms can help in providing such advanced functionalities, but mobile systems suffer from issues related to their resource-limited nature such as, for example, limited battery capacity and processing power and, therefore, even simple pattern recognition activities can become too demanding, in this respect. We propose here a method to design a Human Activity Recognition algorithm, which takes into account the fact that only limited resources are available for its execution. In particular, we restrict the hypothesis space of possible recognition models by applying some advanced concepts from Statistical Learning Theory, so as to force the selection of models with good generalization ability but low computational complexity. Then, the learned model can be effectively implemented on a mobile and resource-limited device: the experiments, carried out on a current-generation smartphone, show the benefits of the proposed approach in terms of both model accuracy and battery duration.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Neurocomputing - Volume 169, 2 December 2015, Pages 225-235
نویسندگان
, , , ,