物联网网络中持续学习的算法设计

持续学习（CL）是一种针对来自不同任务的顺序生成流数据集的在线学习技术，旨在维持对先前学习任务的最小遗忘损失。现有工作侧重于在给定任务序列下减少遗忘损失。然而，如果相似任务持续出现到终止时间，则先前不同任务的遗忘损失仍然很大。在实际物联网网络中，一个用于采样数据和学习不同任务的自主车辆可以路由并改变任务模式的顺序，以增加旅行成本。鉴于目前没有关于如何机会性地路由测试对象并改变CL中的任务序列的研究，我们提出了一种新的优化问题并证明其NP难。我们提出了一种多项式时间算法，分别为 underparameterized 情况和 overparameterized 情况提供近似比率为 $\frac{3}{2}$ 和 $\frac{3}{2} + r^{1-T}$，其中 $r:=1-\frac{n}{m}$ 是特征数 $m$ 和样本数 $n$ 之间的参数，$T$ 为任务数。仿真结果验证了我们算法接近最优的性能。