无线ISAC网络中面向边缘的跨域持续学习
信号处理
2025-04-15 v2 机器学习
摘要
在集成探测与通信(ISAC)的无线网络中，边缘智能(EI)预计将在边缘设备(ED)上开发，用于基于信道状态信息(CSI)的探测用户活动。然而，由于CSI高度特定于用户特征，CSI-活动关系极具域依赖性，本质上要求EI从多个域中学习足够的数据以获得跨域探测能力。这在ED资源有限的条件下构成挑战，存储跨所有域的数据将是重负担。本文提出EdgeCL框架，使EI能够持续学习-丢弃每个传入数据集，同时保持对灾难性遗忘的韧性。我们设计了一个基于Transformer的鉴别器，用于处理噪声且不规则的CSI序列。此外，我们提出了一种基于蒸馏核心集的知识保留方法，采用鲁棒性增强的优化来训练鉴别器，保留其针对先前域的性能，同时防止未来遗忘。实验评估表明，EdgeCL在内存消耗仅为累积训练的3%的情况下实现了89%的性能，遗忘率降低79%。
引用
@article{arxiv.2502.12736,
title = {Cross-Domain Continual Learning for Edge Intelligence in Wireless ISAC Networks},
author = {Jingzhi Hu and Xin Li and Zhou Su and Jun Luo},
journal= {arXiv preprint arXiv:2502.12736},
year = {2025}
}