用于智能眼镜中AI应用运行时优化的联邦强化学习
人工智能
2025-08-26 v1
摘要
扩展现实技术正在变革医疗保健、娱乐和教育等领域，智能眼镜（SEWs）与人工智能（AI）发挥着关键作用。然而，SEWs在计算能力、内存和电池寿命方面存在固有局限，而将计算卸载到外部服务器则受限于网络条件和服务器工作负载的波动。为应对这些挑战，我们提出了一种联邦强化学习（FRL）框架，使多个智能体能够在保护数据隐私的前提下协同训练。我们实现了同步和异步联邦策略，模型在固定间隔或基于智能体进度动态地进行聚合。实验结果表明，联邦智能体表现出显著更低的性能波动，从而确保了更高的稳定性和可靠性。这些发现凸显了FRL在需要鲁棒实时AI处理的应用中的潜力，例如智能眼镜中的实时目标检测。
引用
@article{arxiv.2508.17262,
title = {Federated Reinforcement Learning for Runtime Optimization of AI Applications in Smart Eyewears},
author = {Hamta Sedghani and Abednego Wamuhindo Kambale and Federica Filippini and Francesca Palermo and Diana Trojaniello and Danilo Ardagna},
journal= {arXiv preprint arXiv:2508.17262},
year = {2025}
}