学习以协助：训练模型辅助旧式设备

在物理设备硬件上实现的机器学习模型可能会部署很长时间。设备的计算能力可能有限，并且相对于最新的改进变得过时。由于 ML 模型的尺寸，卸载部分计算（例如卸载到边缘云）可以帮助此类旧式设备。我们将此问题置于带弃权的学习（LWA）框架中，其中必须训练专家（边缘）以协助客户端（设备）。先前关于 LWA 的工作假设边缘是预言机或人类专家来训练客户端。在本工作中，我们形式化了为固定（旧式）客户端训练专家的逆向问题。与 LWA 中一样，客户端使用拒绝规则来决定何时将推理卸载给专家（需付出代价）。我们找到了贝叶斯最优规则，证明了一个泛化界，并找到了一致的替代损失函数。实证结果表明，我们的框架优于基于置信度的拒绝规则。