.png){kind=icon}
返回
Efficient Implementation of LinearUCB through Algorithmic Improvements and Vector Computing Acceleration for Embedded Learning Systems
.png){kind=icon}
OA
AI
DOI：10.1145/3736226.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着物联网的扩展，将人工智能算法嵌入资源受限设备以实现实时、自主决策，而无需依赖集中式云服务器，变得越来越重要。然而，在嵌入式设备上实现和执行复杂算法带来了重大挑战，这是由于计算能力、内存和能源资源的限制。本文提出了算法和硬件技术，以高效地在资源受限的嵌入式设备上实现两种LinearUCB上下文多臂赌博机算法。基于Sherman–Morrison–Woodbury公式的算法修改简化了模型复杂度，同时利用向量加速来加速矩阵运算。我们单独分析了每个优化的影响，然后将它们结合在一个双管齐下的策略中。结果表明，执行时间和能耗均得到显著改善，证明了结合算法和硬件优化对于增强适用于低功耗和实时要求的边缘计算环境的机器学习模型的有效性。
Keyword:
Edge computing
LinearUCB
Contextual Bandits
Resource-constrained devices
Algorithmic optimization
期刊
IF:
2.6
论文数:
238
被引数:
2.3K
机构
暂无机构信息
引用论文
Contextual User Browsing Bandits for Large-Scale Online Mobile Recommendation基于上下文的大规模在线移动推荐浏览者模型
OAAI
OAAI分享收藏分享收藏Industrial Artificial Intelligence in Industry 4.0-Systematic Review, Challenges and Outlook工业4.0中的工业人工智能 -- 系统回顾、挑战与展望.png)
IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏分享收藏Klessydra-T: Designing Vector Coprocessors for Multithreaded Edge-Computing CoresKlessydra-T：为多线程边缘计算核心设计向量协处理器IEEE MicroOAAI
IEEE MicroIF0
OAAI分享收藏Fault-Tolerant Hardware Acceleration for High-Performance Edge-Computing Nodes面向高性能边缘计算节点的容错硬件加速ElectronicsOAAI
ElectronicsIF0
OAAI分享收藏
查看更多内容