摘要
随着人工智能（AI）的日益普及，深度神经网络的部署需求在各种计算环境中不断上升。本文探讨了动态环境下的计算需求变化，并提出了一个问题：如何调整AI分类系统的复杂度，以最大化准确性，同时满足不断变化的计算约束？我们将此问题称为预算图像分类，并将其正式表述为资源分配整数规划问题。
给定计算预算、一批图像和一个具有多重决策点的分类系统，我们探索了将图像分配到决策点的策略，以在可用预算内最大化准确性。原始的整数规划问题是NP-Hard，因此我们提出了一个连续松弛方法，进而形成了一种内容无关的分配策略，该策略在分配图像时不考虑其具体内容。为了解决这一问题，我们提出了一种内容敏感的策略，实验结果表明其性能优于前者。
我们从理论上研究了这些策略的行为，推导出决策点必须满足的条件，以适合预算分类。我们还分析了失败案例，为未来的研究方向提供了见解。
博主点评： 本文通过动态资源分配的方式解决了预算图像分类中的复杂性问题，具有很强的实用价值。内容敏感策略的提出，展示了在AI决策中考虑内容的必要性，未来可在更多应用场景中探索其潜力。