0. 介绍

这是我师兄被拒稿的论文，我入手来大修！

1. 选择数据集&模型

BIT-Vehicle：用于车辆分类，搭配 ResNet-101。
NTHU-DDD：用于驾驶员疲劳检测，搭配 ResNet-18。

2. 评价指标

①出问题时，重新安排连接服务器的时间。②出问题时，重新安排连接服务器的能耗。
③正常时，出问题时，重新安排连接服务器的时间。④出问题时，重新安排连接服务器的能耗。
⑤奖励分。⑥准确度。

3. 对比实验

4. 实验（图）

4.1 图1解释

每种方法都要安排车子训练出的模型交给哪台服务器、模型怎么切分、算力怎么分配。图中左边是正常识别，右边是联邦学习训练；每张小图里，点越靠左下，表示正常运行和重新安排时的综合花费越少。【模型的训练与推理都要用到边缘服务器，因为边缘服务器保留了一部分模型，客户端自己也只有一部分模型】

①车子A应该选择哪个边缘服务器。②模型在哪切开。③服务器给这车子A应该给多少算力。

4.2 图2解释

三层：车辆客户端、附近的边缘服务器、云端（中间部分放边缘训练，其它全部都放客户端？）
训练完成后，把训练后的参数放到云端上去！

4.3 图3解释

上面这张图是在讲 SMARL 怎么学会“车辆和边缘服务器该怎么分工”

4.4 图4解释

（ab）：推理时，用已经训练好的模型识别新照片，分别看时延和能耗。
（cd）：模型已经训练好了，车辆要继续用它识别照片，但边缘服务器出现了问题。(c)看恢复花多少时间，(d)看恢复耗多少能量。
（e）：看车辆这一方觉得安排结果怎么样。分数越高越好；这里分数是负数，所以越接近 0 越好。
（fg）：多辆车用各自的图片一起训练分类模型，分别看一轮训练要多久、耗多少能量。
（hi）：多辆车正在用各自的数据一起训练模型，但训练过程中边缘服务器了问题。(h)看恢复花多久，(i)看恢复耗多少能量。
（j）：看边缘服务器这一方的结果，越接近 0 越好。

4.5 图5解释

图 5 看的是：车辆和边缘服务器一起训练图片分类模型时，模型准确率如何随训练时间变化。

4.6 图6解释

图 6 是在看 SMARL 这个“任务安排方法”有没有学会安排，以及学得稳不稳。【论文里的分数是负数，越接近 0 越好，代表综合成本较低。】
这张图主要想表达：SMARL 经过反复练习后，安排策略逐渐稳定；在训练后期，它的回报也高于图中另外两种方法。

4.7 图7解释

图 7 想说明：SMARL 里的编码器，能把系统遇到的不同工作情境区分开。

还有图片c

5. 实验（表）

5.1 表1解释

表1是实验参数表，不用管

5.2 表2解释

表 2 是作者拿 SMARL 和其他方法做的“成绩对照表”：看谁能在不同工作情况下，用更少时间、更少能量，同时不牺牲训练准确率。