.png){kind=icon}
返回
Adaptive Confidence Estimation for Data Distribution Shift Robustness in Cloud-Edge Collaborative Inference
.png){kind=icon}
PRE
AI
DOI：10.1007/978-981-95-3456-2_7.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
云边协同推理是实时互联网智能应用的有效解决方案，轻量级边缘模型处理简单样本并将困难样本卸载到云端进行处理。然而，现有方法依赖固定的置信度阈值或预训练路由器来区分简单和困难样本，但它们无法适应由环境变化、噪声或新类别引起的数据分布变化。为解决这些挑战，我们提出了自适应置信度估计（ACE）算法，一种能够动态实时调整置信度阈值以适应变化数据分布的新型方法。具体而言，ACE通过缓解分布偏移的影响来提高系统鲁棒性，减少不必要的云端卸载，并确保简单和困难推理样本的可靠分离。我们通过大量实验验证了ACE，结果表明ACE在提高精度、减少延迟和增强资源利用率方面显著优于现有方法，为云边协同提供了可扩展且自适应的鲁棒框架。
Keyword:
Online inference
Confidence estimation
Data Distribution shift
Cloud-edge collaborative
期刊
A
IF:
0
论文数:
22
被引数:
0
机构
查看更多机构
引用论文
Artificial Neural Fuzzy Inference Rule-Based (ANFIS) Model for Offloading Tasks for Edge, Cloud, and UAVs Environment.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏Remote Sensing Image Scene Classification: Benchmark and State of the Art遥感图像场景分类: 基准和最新技术PROCEEDINGS OF THE IEEE
OAAI
PROCEEDINGS OF THE IEEEIF25.9
OAAI分享收藏 没有更多内容