CrowdOptim：一种面向AI智慧城市感知的众包驱动神经网络超参数优化方法

视频

DOI

基于AI的智慧城市感知（ASUS）已成为智慧城市规划和管理中可扩展且普遍的应用范式，旨在利用AI技术和海量城市感知数据自动评估城市环境物理状态。本论文聚焦于ASUS应用中的众包驱动神经网络（NN）超参数优化问题。我们的目标是利用众包系统的人类智能来识别ASUS模型的最佳NN超参数配置。我们的研究动机是观察到当前ASUS模型的超参数通常由AI专家手动配置，这既容易出错又非最优。解决我们的问题存在两个关键技术挑战：i）将AI中高度复杂的NN超参数优化问题有效转化为众包工作者无需深入AI专业知识即可解决的简化问题较为困难；ii）鉴于AI模型的黑箱性质，在大超参数搜索空间中找到最佳超参数配置较为困难。为应对上述挑战，我们开发了CrowdOptim，这是一个将众包、超参数优化和估计理论技术与众包驱动NN超参数优化问题相结合的众包AI协作学习框架。来自两个真实世界ASUS应用（即智慧城市基础设施监控SCIM和城市环境清洁度评估UECA）的评估结果表明，CrowdOptim在实现各种评估场景下的ASUS应用目标方面，始终优于最先进的深度卷积网络、众包AI和超参数优化基线方法。