嵌入式机器学习：近似计算的探索与应用

"这篇资源是巴黎理工学院的一篇博士论文，主题聚焦于嵌入式机器学习中的近似计算，由杨雪坎撰写。该论文详细探讨了如何在资源受限的嵌入式系统中应用近似计算技术来优化机器学习算法的性能。论文于2021年发表并进行了答辩，评审团成员包括多位知名的科研学者，覆盖了电子、计算机科学以及教育领域的专家。论文通过HAL，一个多学科的开放存取档案馆进行发布，旨在促进科学研究的共享和传播。" 正文: 嵌入式机器学习是近年来的一个热门研究领域，它将复杂的机器学习模型应用于资源有限的设备，如智能手机、物联网设备或自动驾驶汽车。然而，这些设备往往在计算能力、存储空间和能源消耗方面受到严格限制，因此，寻找有效的方法来在这些环境中实施机器学习成为了一个关键挑战。 近似计算是一种策略，通过牺牲一定的精度来换取计算效率的提升，这对于嵌入式环境尤其适用。在本论文中，杨雪坎探讨了如何在嵌入式系统中利用近似计算技术，优化机器学习模型的训练和推理过程，以达到降低能耗、减少计算时间而不显著影响最终结果的目的。这可能涉及到数据预处理、模型简化、权重近似等多种方法。 论文的作者特别提到了他的导师Lirida Naviner DeBarros教授以及合著者M. Sumanta Chaudhuri高级讲师，他们的支持和指导对于论文的成功至关重要。他们的专业知识和经验为研究带来了新视角，尤其是在面对远程工作和沟通挑战时，他们持续的交流激发了许多创新思路，推动了研究的进展。 此外，论文还涉及了评审团成员，包括CNRS的研究总监Patrick Girard，索邦大学的Lecturer Roseline Shiotani，巴黎萨克雷大学的Professor Jacques-Olivier Klein，洛林大学的Professor Fabrice Montoro，都灵大学的Assistant Professor Attilio Fiandrotti，以及巴黎电信的多位讲师和HDR讲师，他们的专业知识和反馈无疑提升了论文的质量和深度。 这篇论文深入探讨了嵌入式机器学习中的近似计算技术，为解决资源受限环境下的机器学习问题提供了理论基础和实践指导。通过开放存取的方式，该论文为全球的科研人员提供了宝贵的参考资料，推动了相关领域的研究与发展。