闭合场景下的轻量级用户个性化方法

分层计算 (Split Computing) 通过将深度神经网络划分为边缘端的头部和服务器端的尾部，实现了协作推理，从而降低延迟并限制了原始输入数据的暴露。然而，由于用户特定的数据分布迁移、不可靠的通信以及隐私导向的扰动，尤其是在模型架构和参数不可访问的封闭环境中，推理性能常常下降。为解决这一挑战，我们提出了 SALT (Split-Adaptive Lightweight Tuning)，即一种针对闭合分层计算系统的轻量级适应框架。SALT 引入一个紧凑的客户端适配器，用于细化冻结头部网络产生的中间表示，从而实现有效的模型适应，而无需修改头部或尾部网络，或增加通信开销。通过仅修改训练条件，SALT 支持多种适应目标，包括用户个性化、通信鲁棒性和隐私感知推理。在 CIFAR-10 和 CIFAR-100 上的实验表明，SALT 在常规重新训练和微调的基础上实现了更高的准确率，同时显著降低了训练成本。在 CIFAR-10 上，SALT 将个性化准确率从 88.1% 提升至 93.8%，训练延迟降低超过 60%。SALT 还能在 75% 丢包率下保持超过 90% 的准确率，并在噪声注入 (sigma = 1.0) 时保持约 88% 的高准确率。这些结果表明，SALT 为实际的分层计算系统提供了高效且实用的适应框架。