An Energy-Efficient Ensemble Approach for Mitigating Data Incompleteness in IoT Applications

机器学习（ML）对基于物联网的应用越来越重要。然而，许多物联网生态系统的动态和临时性质对ML算法的有效性构成了独特的挑战。其中之一是数据不完整性，表现为缺失传感器读数。许多因素，包括传感器故障和/或网络中断，都会导致数据不完整性。此外，大多数物联网系统都受到严重的功率限制。因此，我们需要构建物联网基于ML系统，既能够抵御数据不完整性，同时又能够高效节能。本文提出了一项SECOE的实证研究，这是一种最近用于缓解物联网中数据不完整性的技术，并针对其能量瓶颈提出了一种主动的、能量感知的技术ENAMLE，以减轻并发丢失数据的影响。ENAMLE独特之处在于，它构建了一个能量感知的子模型集合，每个子模型都是通过精心选择的一组传感器进行训练的。此外，在推理时，ENAMLE根据缺失数据率和能量-准确性权衡自适应地改变模型集合的数量。ENAMLE的设计包括几种新颖的机制，以在保持准确性的同时最小化能量消耗。我们在两个不同的数据集上进行了广泛的实验研究，证明了ENAMLE的能量效率和缓解传感器故障的能力。

论文试图解决IoT中数据不完整性对机器学习算法的影响问题，提出一种能够同时解决数据不完整性和能源效率的方案。

提出一种名为ENAMLE的能源感知机器学习算法，该算法通过构建一个能源感知的子模型集合来解决数据不完整性问题，并在推理时根据缺失数据率和能量-准确性权衡自适应地改变模型集合的数量，从而实现能源效率。

论文设计了实验来验证ENAMLE算法的能源效率和解决数据不完整性的能力，并使用两个不同的数据集进行了广泛的实验研究。论文还提出了一些新的机制来最小化能量消耗同时保持准确性。

在相关研究方面，论文提到了SECOE技术作为解决数据不完整性的一种方法，但是SECOE存在能源瓶颈。