.png){kind=icon}
返回
EDCL: An Efficient Dynamic Continual Learning Framework for IoT Systems
.png){kind=icon}
PRE
AI
DOI：10.1109/TC.2026.3662718.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
物联网（IoT）系统中任务和环境动态变化的特点要求深度学习模型在持续演化的数据上不断重新训练以确保其有效性。现有的持续学习（CL）方法旨在缓解灾难性遗忘，即模型在学习新任务时丢失先前任务的知识。然而，这些方法通常忽略了由多应用并行执行引起的内存资源竞争问题，这限制了CL在资源受限的边缘设备上的实际物联网应用。在本文中，我们提出了EDCL，一种新颖的方法，在确保高优先级推理程序不间断运行的同时，提高了CL方法的训练效率和模型精度。具体而言，我们首先实现了一个自定义的批采样器，能够动态加载批次并测量通过离线分析记录的内存使用和训练时间。在在线阶段，通过监控高优先级程序的资源消耗，EDCL能够动态选择满足资源约束并促进高效训练的批策略。此外，我们提出了一种自适应分层缓冲区交换方法，以增强模型保留先前学习知识的能力并缓解遗忘。广泛的实验表明，EDCL在有效平衡训练效率和模型精度的同时，防止了高优先级推理程序因内存争用而失败，与基线方法相比表现出良好的性能。
Keyword:
Continual learning
Internet of Things
machine learning
edge computing
期刊
IF:
3.8
论文数:
5.4K
被引数:
9.8K
机构
引用论文
.png){kind=icon}
分享收藏
查看更多内容