本文提出了一种动态传感器选择方法，旨在优化深度神经网络（DNNs）中每个输入样本的传感器子集选择。通过Gumbel-Softmax技巧实现端到端学习，提升无线传感器网络（WSN）的寿命，并在身体传感器网络中验证了该方法的有效性，分析了传输负载与任务准确性之间的权衡。

本文提出了一种动态传感器选择方法，通过Gumbel-Softmax技巧实现端到端学习，以推断每个输入样本的最佳传感器子集。该方法能够延长无线传感器网络的寿命，并通过动态空间滤波器提升性能。研究在脑电图传感器网络中进行了验证，分析了传输负载与任务准确性之间的权衡。

本文提出了一种动态传感器选择方法，用于深度神经网络（DNNs），能够针对每个具体的输入样本推断出最佳的传感器子集选择。通过Gumbel-Softmax技巧在端到端的方式中联合学习了这种动态选择。然后，展示了如何使用这种动态选择来增加无线传感器网络（WSN）的寿命，通过对每个节点允许传输的频率施加限制。最后，解释了如何在WSN的不同节点之间分配最佳通道的选择。通过在身体传感器网络的情境中验证了这种方法，分析了传输负载和任务准确性之间的权衡结果。