边缘机器学习的全面综述与分类体系：需求、范式与技术

边缘计算（EC）与人工智能（AI）的结合催生了边缘 AI 概念，以在靠近终端用户环境处提供智能解决方案，用于隐私保护、面向实时性能的低延迟以及资源优化。机器学习（ML）作为过去几年中 AI 最先进的分支，已在边缘环境中展现出令人鼓舞的结果与应用。然而，由于来自边缘计算与 AI 两个领域的联合约束，边缘驱动的 ML 方案实现起来更为复杂，相应的方案有望在数据处理、模型压缩、分布式推理以及面向边缘 ML 需求的先进学习范式等技术中高效且适配。尽管边缘 ML 在学术界与工业界均获得了大量关注，我们注意到缺乏一份关于现有边缘 ML 技术的完整综述以提供对该概念的共识。为此，本文旨在提供边缘 ML 技术的全面分类体系与系统性综述，聚焦于现有范式与技术的软计算方面。我们首先由联合约束驱动的边缘 ML 需求出发进行识别。随后我们广泛调研了二十余种范式与技术及其代表性工作，涵盖边缘推理与边缘学习两大部分。特别地，我们分析了各项技术如何通过满足所识别需求的一个子集来适配边缘 ML。我们还总结了边缘 ML 框架与开放问题，以启示边缘 ML 的未来方向。