.png){kind=icon}
返回
Bayesian Input Compression for Edge Intelligence in Industry 4.0
.png){kind=icon}
OA
AI
DOI：10.3390/electronics14173416.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在工业4.0环境中，边缘智能通过将人工智能（AI）与边缘计算集成，在实现实时分析和自主决策方面发挥着关键作用。然而，由于计算能力有限和严格的延迟要求，在资源受限的边缘设备上部署深度神经网络（DNNs）仍然具有挑战性。虽然传统方法主要关注结构化模型压缩，我们提出了一种自适应输入中心方法，通过在推理前剪枝冗余特征来减少计算开销。采用贝叶斯网络量化每个输入特征对模型输出的影响，从而在不修改模型架构的情况下实现高效的输入缩减。双向链结构有助于鲁棒的特征排序，而自动化算法优化输入选择以满足预定义的模型精度和尺寸约束。实验结果表明，所提出的方法在保持竞争性性能的同时显著降低了内存使用量和计算成本，使其非常适合工业场景中的实时边缘智能。
期刊
IF:
2.6
论文数:
1.1W
被引数:
4.7W
机构
引用论文
分享收藏A Comprehensive Approach to Intrusion Detection in IoT Environments Using Hybrid Feature Selection and Multi-Stage Classification Techniques.png)
IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏A hybrid Bayesian network for medical device risk assessment and management用于医疗设备风险评估和管理的混合贝叶斯网络
OAAI
OAAI分享收藏分享收藏分享收藏
查看更多内容