An Energy-Efficient Ensemble Approach for Mitigating Data Incompleteness in IoT Applications

要約

機械学習 (ML) は、IoT ベースのアプリケーションにとってますます重要になっています。
ただし、多くの IoT エコシステムの動的かつアドホックな性質により、ML アルゴリズムの有効性に対して特有の課題が生じます。
そのような課題の 1 つは、センサー読み取り値の欠落として現れるデータの不完全性です。
センサーの故障やネットワークの中断などの多くの要因により、データが不完全になる可能性があります。
さらに、ほとんどの IoT システムは電力に大幅な制限があります。
データの不完全性に対して堅牢であると同時にエネルギー効率の高い IoT ベースの ML システムを構築することが重要です。
この論文では、IoT におけるデータの不完全性を軽減するための最近の技術である SECOE のエネルギーボトルネックに関する実証研究を紹介します。
SECOE のエネルギーボトルネックに対処するために、私たちは ENAMLE を提案します。ENAMLE は、同時欠落データの影響を軽減するためのプロアクティブでエネルギーを意識した技術です。
ENAMLE は、相関関係に基づいて慎重に選択されたセンサーのサブセットを使用してそれぞれがトレーニングされた、エネルギーを意識したサブモデルのアンサンブルを構築するという意味でユニークです。
さらに、ENAMLE は推論時に、欠落データ レートの量とエネルギーと精度のトレードオフに基づいて、モデルのアンサンブルの数を適応的に変更します。
ENAMLE の設計には、精度を維持しながらエネルギー消費を最小限に抑えるためのいくつかの新しいメカニズムが含まれています。
ENAMLE のエネルギー効率とセンサーの故障を軽減する能力を実証する 2 つの異なるデータセットに関する広範な実験研究を紹介します。

要約(オリジナル)

Machine Learning (ML) is becoming increasingly important for IoT-based applications. However, the dynamic and ad-hoc nature of many IoT ecosystems poses unique challenges to the efficacy of ML algorithms. One such challenge is data incompleteness, which is manifested as missing sensor readings. Many factors, including sensor failures and/or network disruption, can cause data incompleteness. Furthermore, most IoT systems are severely power-constrained. It is important that we build IoT-based ML systems that are robust against data incompleteness while simultaneously being energy efficient. This paper presents an empirical study of SECOE – a recent technique for alleviating data incompleteness in IoT – with respect to its energy bottlenecks. Towards addressing the energy bottlenecks of SECOE, we propose ENAMLE – a proactive, energy-aware technique for mitigating the impact of concurrent missing data. ENAMLE is unique in the sense that it builds an energy-aware ensemble of sub-models, each trained with a subset of sensors chosen carefully based on their correlations. Furthermore, at inference time, ENAMLE adaptively alters the number of the ensemble of models based on the amount of missing data rate and the energy-accuracy trade-off. ENAMLE’s design includes several novel mechanisms for minimizing energy consumption while maintaining accuracy. We present extensive experimental studies on two distinct datasets that demonstrate the energy efficiency of ENAMLE and its ability to alleviate sensor failures.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google