自主训练和适应性传感器智能用于选择性数据生成
Arghavan Rezvani1, Wenjun Huang1, Hanning Chen1
1Donald Bren School of Information and Computer Sciences, University of California, Irvine, Irvine, CA, United States.
Frontiers in artificial intelligence
|February 6, 2025
概括
本研究介绍了一种适应性框架,用于物联网 (IoT) 设备上的机器学习. 它通过使模型能够在部署后学习和适应来提高能源效率和数据传输.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 物联网的物联网,就是物联网.
背景情况:
- 在物联网设备中集成机器学习带来了能源和数据传输的挑战.
- 目前的近距离传感器模型由于严格的预训练要求而缺乏适应性.
- 高效的数据处理对于复杂的物联网计算至关重要.
研究的目的:
- 为物联网中近距离传感器智能开发一个适应性,资源效率高的框架.
- 为了使机器学习模型在部署后能够进行动态参数微调.
- 为了减少能源消耗和优化物联网应用中的数据传输.
主要方法:
- 在线学习,主动学习和知识蒸的融合,用于适应性近传感器模型.
- 在线学习用于动态的部署后参数微调.
- 知识蒸以从教师转移见解到学生模型.
- 积极学习以尽量减少培训数据要求.
主要成果:
- 在能源效率方面取得了显著的改进.
- 在数据传输方面取得了实质性的优化.
- 在MS COCO数据集和模拟物联网环境上验证了框架性能.
- 框架可以在没有先前环境知识的情况下实现持续的适应性.
结论:
- 拟议的框架为物联网中资源效率高的近距离传感器智能提供了一个实际的解决方案.
- 动态适应能力提高了机器学习在现实世界物联网场景中的适用性.
- 该方法有效地平衡了模型性能与资源限制.
