低资源设备上的持续误差纠正
计算机视觉与模式识别
2025-11-27 v1 人工智能
机器学习
摘要
AI模型在日常设备中的广泛应用凸显了一个关键挑战：会降低用户体验的预测错误。虽然现有解决方案关注错误检测，但很少提供面向资源受限设备的高效纠正机制。我们提出一种新型系统，使用户能够通过少量样本学习纠正AI误分类，所需计算资源和存储空间最小。我们的方案结合服务器端基础模型训练与设备端原型基分类，通过原型更新实现高效误差纠正，无需重新训练模型。该系统包含两个关键组件：（1）服务器端管道利用知识蒸馏将来自基础模型的鲁棒特征表示传递至设备兼容的架构；（2）设备端机制通过原型自适应实现超高效误差纠正。我们在图像分类和目标检测任务上展示了该系统的有效性，在单次场景下在Food-101和Flowers-102数据集上实现了超过50%的误差纠正，同时保持小于0.02%的最小遗忘并产生可忽略的计算开销。我们的实现通过Android演示应用验证，证明了该系统在实际场景中的实用性。
引用
@article{arxiv.2511.21652,
title = {Continual Error Correction on Low-Resource Devices},
author = {Kirill Paramonov and Mete Ozay and Aristeidis Mystakidis and Nikolaos Tsalikidis and Dimitrios Sotos and Anastasios Drosou and Dimitrios Tzovaras and Hyunjun Kim and Kiseok Chang and Sangdok Mo and Namwoong Kim and Woojong Yoo and Jijoong Moon and Umberto Michieli},
journal= {arXiv preprint arXiv:2511.21652},
year = {2025}
}
备注
ACM MMSys 2025