بهینه سازی برون‎سپاری محاسباتی شبکه ‎های 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 راه‎ حل 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 ارایه می‌کند. سه روش پیشنهادی کاهش تعداد نمونه‌های داده‌، کاهش دقت اعشار نمونه‌های داده‌ و فشرده ‎سازی نمونه ‎های داده‎ ارایه شده است که در روش اول نمونه‎ های 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، نمونه‎ های 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. در روش فشرده‎سازی، نمونه‎ های داده قبل از ارسال، با یک الگوریتم فشرده‌سازی سبک دلتا به یکی از دو روش با اتلاف یا بدون ‎اتلاف فشرده می‎شوند. نتایج عملی نشان می‎دهد اگر چه روش‎های کاهش تعداد نمونه و کاهش دقت اعشار 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 نمونه ‎ها برتری دارد. ضمنا روش فشرده‎سازی دلتا به اندازه دو روش دیگر موثر نمی‎باشد.