37 lines
1.2 KiB
Markdown
37 lines
1.2 KiB
Markdown
---
|
||
title: "Conditional Model Dispatcher"
|
||
created: 2026-05-15
|
||
updated: 2026-05-15
|
||
type: concept
|
||
tags: [machine-learning, model-selection, efficiency]
|
||
sources: [raw/papers/zeng-neurida-2025.md]
|
||
---
|
||
|
||
# Conditional Model Dispatcher
|
||
|
||
**Conditional Model Dispatcher** 是 NeurIDA 的轻量级调度组件，解决两个关键决策：
|
||
|
||
1. **基础模型选择**：从 [[composable-base-model-architecture|模型池]] 中为当前任务选择最优基础模型
|
||
2. **条件增强**：判断是否需要调用 DIME 进行结构增强，还是直接部署基础模型
|
||
|
||
## 决策机制
|
||
|
||
### 模型选择
|
||
- 维护 metadata dictionary，记录每个基础模型的历史 EMA 性能 μᵢ
|
||
- 使用 [[zero-cost-proxies|Zero-Cost Proxies (ZCP)]] 对候选模型快速评分，得到代理分数 sᵢ
|
||
- 选择 s* 最高的模型 m*
|
||
|
||
### 增强决策
|
||
- 计算动态阈值：τ = (1 − ε) · μₘ*
|
||
- 若 s* ≥ τ：直接部署 m*（高效）
|
||
- 若 s* < τ：调用 [[dime-dynamic-in-database-modeling-engine|DIME]] 进行结构增强
|
||
|
||
## 设计考量
|
||
|
||
- **轻量级**：ZCP 评分无需完整训练，基于小批量标注数据即可完成
|
||
- **自适应**：阈值基于历史 EMA 动态调整，避免浪费计算资源
|
||
|
||
## 来源
|
||
|
||
- [[zeng-neurida-2025|NeurIDA 论文]]
|