Inferência Adaptativa Multimodelo para Dispositivos de Borda com Recursos Limitados

• João Pedro B. Lima UFC / Instituto Atlântico
• Atslands R. Rocha UFC

DOI: https://doi.org/10.5753/sbcup.2026.23259

Resumo

A aplicação de modelos de aprendizado de máquina em dispositivos de borda exige estratégias que conciliem acurácia e consumo energético. Neste trabalho é proposta e avaliada uma abordagem de inferência adaptativa multimodelos composta por redes neurais convolucionais para classificar três classes do dataset CIFAR-10. Os resultados mostraram que a estratégia adaptativa alcançou maior acurácia que os modelos individuais quando implementada em um microcontrolador ESP32. Observou-se ainda que o consumo energético tem uma maior relação com o tempo em que o dispositivo permanece ativo do que com a complexidade dos modelos. Esses resultados indicam que a abordagem pode melhorar a acurácia, mas seus ganhos energéticos dependem das condições de implantação.

Referências

Gill, S. S., Golec, M., Hu, J., Xu, M., Du, J., Wu, H., Walia, G. K., Murugesan, S. S., Ali, B., Kumar, M., et al. (2024). Edge ai: A taxonomy, systematic review and future directions. Cluster Computing, 28(1):18.

Khan, M. A., Song, W., Khan, A., Ali, M., Karim, R., and Zhang, J. (2025). Machine learning hybrid dynamic best model selection algorithm for real-time fire prediction using iot-enabled multi-sensor data in buildings. Journal of Safety Science and Resilience, page 100236.

Korol, G. and Beck, A. C. S. (2025). Iot–edge splitting with pruned early-exit cnns for adaptive inference. IEEE Transactions on Very Large Scale Integration (VLSI) Systems.

Lonkar, L. K. and Malarkodi, B. (2025). Energy-aware deep neural networks with intelligent adaptive inference for sustainable iot deployments. In 2025 IEEE 6th India Council International Subsections Conference (INDISCON), pages 1–6.

Wang, Z., Reviriego, P., Niknia, F., Conde, J., Liu, S., and Lombardi, F. (2023). Adaptive resolution inference (ari): Energy-efficient machine learning for internet of things. IEEE Internet of Things Journal, 11(8):14076–14087.

Zawish, M., Ashraf, N., Ansari, R. I., and Davy, S. (2022). Energy-aware ai-driven framework for edge-computing-based iot applications. IEEE Internet of Things Journal, 10(6):5013–5023.