بهینه‎سازی برون‎سپاری محاسباتی شبکه‎های عصبی عمیق برای تشخیص فعالیت انسانی

با توجه به محدودیت‌های منابع محاسباتی موجود در دستگاه‌های تلفن همراه، این دستگاه‌ها در اجرای برخی وظایف روزمره با چالش مواجه هستند. یک راه‎حل برای این مشکل، برون‌سپاری است که در آن، دستگاه پردازش خود را برای اجرا روی ابر محاسباتی ارسال می‌کند. مقاله حاضر با تمرکز بر روی کاربرد تشخیص فعالیت انسانی، روش‎هایی برای کاهش حجم داده‎های ارسالی وظایف به ابر با تکیه بر نقاط مطلوب در معامله بین دقت استنتاج یادگیری و هزینه ارتباطات برون‌سپاری ارائه می‌کند. دو روش پیشنهادی کاهش تعداد نمونه‌های داده‌ها و کاهش دقت اعشار نمونه‌های داده‌ها ارائه شده است که در روش اول نمونه‎های داده قبل از ارسال به صورت یکی در میان یا بیشتر حذف شده و در سمت ابر با تخمین درون‎یابی مجددا بازیابی می‎شوند. در روش کاهش دقت اعشار، نمونه‎های داده قبل از ارسال با یک نگاشت به عدد صحیح با تعداد بیت محدود تبدیل و در سمت ابر با نگاشت معکوس به صورت تخمینی بازیابی می‎شوند. نتایج عملی نشان می‎دهد اگر چه هر دو روش سبب کاهش حجم داده ارسالی بدون تاثیر قابل توجه بر روی دقت تشخیص می‌شوند، روش کاهش دقت اعشار به دلیل میزان کاهش بیشتر حجم داده نسبت به روش کاهش تعداد نمونه‎ها برتری دارد