【论文】间歇学习:在间歇供电系统上的设备上机器学习（Intermittent Learning: On-Device Machine Learning onIntermittently Powered System）

题目： Intermittent Learning: On-Device Machine Learning onIntermittently Powered System

简介：

本文介绍了间歇学习，其目标是使获取的能量计算平台能够有效地执行某些类型的机器学习任务。我们确定独特的挑战断断续续学习有关机器学习的数据和应用程序语义任务,为应对这些挑战,我们设计一个算法来决定一系列的行动,以达到预期的学习目标能源紧缩的情况下,和2)提出三个启发式帮助断断续续学习者决定是否学习或丢弃训练实例在运行时,会增加系统的能源效率。我们分别使用太阳能、射频和动能收割机来实现和评估三种间歇学习应用:1)空气质量、2)人类存在、3)振动。我们证明，与目前最先进的间歇计算系统相比，该框架可将学习者的能源效率提高100%，并将学习实例的数量减少50%。

作者：

Bashima Islam是北卡罗来纳大学教堂山分校计算机科学系的一名研究生，目前在嵌入式智能实验室工作，研究嵌入式和间歇系统和机器学习。

Shahriar Nirjon是北卡罗来纳大学教堂山分校计算机科学系的助理教授，2014年获得了弗吉尼亚大学的计算机科学博士学位，对嵌入式智能很感兴趣，目前在嵌入式网络传感器系统、无线网络和传感、移动系统、物联网等领域工作。