Edge computing (EC) is a promising technology capable of bridging the gap between Cloud computing services and the demands of emerging technologies such as the Internet of Things (IoT). Most EC-based solutions, from wearable devices to smart cities architectures, benefit from Machine Learning (ML) methods to perform various tasks, such as classification. In these cases, ML solutions need to deal efficiently with a huge amount of data, while balancing predictive performance, memory and time costs, and energy consumption. The fact that these data usually come in the form of a continuous and evolving data stream makes the scenario even more challenging. Many algorithms have been proposed to cope with data stream classification, e.g., Very Fast Decision Tree (VFDT) and Strict VFDT (SVFDT). Recently, Online Local Boosting (OLBoost) has also been introduced to improve predictive performance without modifying the underlying structure of the decision tree produced by these algorithms. In this work, we compared the four-way relationship among time efficiency, energy consumption, predictive performance, and memory costs, tuning the hyperparameters of VFDT and the two versions of SVFDT with and without OLBoost. Experiments over 6 benchmark datasets using an EC device revealed that VFDT and SVFDT-I were the most energy-friendly algorithms, with SVFDT-I also significantly reducing memory consumption. OLBoost, as expected, improved the predictive performance, but caused a deterioration in memory and energy consumption.

中文翻译：

---

评估边缘计算中数据流分类的四向性能权衡

边缘计算 (EC) 是一种很有前途的技术，能够弥合云计算服务与物联网 (IoT) 等新兴技术的需求之间的差距。大多数基于 EC 的解决方案，从可穿戴设备到智能城市架构，都受益于机器学习 (ML) 方法来执行各种任务，例如分类。在这些情况下，ML 解决方案需要高效处理大量数据，同时平衡预测性能、内存和时间成本以及能源消耗。事实上，这些数据通常以连续和不断发展的数据流的形式出现，这使得场景更具挑战性。已经提出了许多算法来处理数据流分类，例如非常快速决策树（VFDT）和严格VFDT（SVFDT）。最近，还引入了在线局部提升 (OLBoost) 以提高预测性能，而无需修改这些算法生成的决策树的底层结构。在这项工作中，我们比较了时间效率、能源消耗、预测性能和内存成本之间的四向关系，调整了 VFDT 的超参数和使用和不使用 OLBoost 的两个版本的 SVFDT。使用 EC 设备对 6 个基准数据集进行的实验表明，VFDT 和 SVFDT-I 是最节能的算法，SVFDT-I 还显着降低了内存消耗。正如预期的那样，OLBoost 提高了预测性能，但导致内存和能耗下降。在这项工作中，我们比较了时间效率、能源消耗、预测性能和内存成本之间的四向关系，调整了 VFDT 的超参数和使用和不使用 OLBoost 的两个版本的 SVFDT。使用 EC 设备对 6 个基准数据集进行的实验表明，VFDT 和 SVFDT-I 是最节能的算法，SVFDT-I 还显着降低了内存消耗。正如预期的那样，OLBoost 提高了预测性能，但导致内存和能耗下降。在这项工作中，我们比较了时间效率、能源消耗、预测性能和内存成本之间的四向关系，调整了 VFDT 的超参数和使用和不使用 OLBoost 的两个版本的 SVFDT。使用 EC 设备对 6 个基准数据集进行的实验表明，VFDT 和 SVFDT-I 是最节能的算法，SVFDT-I 还显着降低了内存消耗。正如预期的那样，OLBoost 提高了预测性能，但导致内存和能耗下降。使用 EC 设备对 6 个基准数据集进行的实验表明，VFDT 和 SVFDT-I 是最节能的算法，SVFDT-I 还显着降低了内存消耗。正如预期的那样，OLBoost 提高了预测性能，但导致内存和能耗下降。使用 EC 设备对 6 个基准数据集进行的实验表明，VFDT 和 SVFDT-I 是最节能的算法，SVFDT-I 还显着降低了内存消耗。正如预期的那样，OLBoost 提高了预测性能，但导致内存和能耗下降。