使用超维度计算实现超越边缘的终身智能

设备端学习已成为一种流行趋势，它避免了基于云端学习的缓慢响应时间和高昂通信成本。在不断变化的环境中，在资源限制下持续且无限期学习的能力，对于真实的传感器部署至关重要。然而，现有设计不足以应对具有 (i) 流数据输入、(ii) 缺乏监督和 (iii) 板载资源有限等特征的实际场景。在本文中，我们设计并部署了首个名为 LifeHD 的设备端终身学习系统，用于缺乏监督的通用物联网应用。LifeHD 基于一种名为超维度计算（HDC）的新型神经启发且轻量级的学习范式设计。我们利用双层联想记忆组织来智能地存储和管理高维、低精度向量，这些向量将历史模式表示为聚类质心。我们还提出了 LifeHD 的两种变体，以应对稀缺的标记输入和功率限制。我们在现成的边缘平台上实现了 LifeHD，并在三种场景下进行了广泛评估。我们的测量结果表明，与最先进的基于 NN 的无监督终身学习基线相比，LifeHD 将无监督聚类精度提高了高达 74.8%，能效提升了 34.3 倍。我们的代码可在 https://github.com/Orienfish/LifeHD 获取。