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。

本文介绍了一种新颖的神经网络剪枝框架，利用Gumbel-Softmax技术，通过随机梯度下降优化网络权重和拓扑结构，实现高效压缩，保持MNIST数据集的高准确性，仅使用0.15%的原始参数。此外，该框架提升了网络可解释性，能够提取特征重要性并可视化信息传递路径，为深度学习剪枝和可解释机器学习系统提供了新思路。