面向 IoT 网络故障检测的链路感知节能持续学习
机器学习
2025-12-16 v1 网络与互联网体系结构
摘要
在物联网（IoT）网络中使用轻量级机器学习（ML）模型，使资源受限的 IoT 设备能够为若干关键应用执行设备端推理。然而，由于 IoT 环境的非平稳性与有限的初始训练数据，推理精度会下降。为应对此问题，可利用新观测到的数据样本定期更新已部署的模型。然而，该方法会消耗额外能量，这对于能量受限的 IoT 设备是不利的。本文提出了一种事件驱动的通信框架，该框架将持续学习（CL）策略性地集成到 IoT 网络中，以实现节能的故障检测。我们的框架使 IoT 设备与边缘服务器（ES）能够通过适应无线链路的通信条件与可用能量预算，协同更新轻量级 ML 模型。在真实数据集上的评估表明，所提方法在推理召回率方面优于周期采样与非自适应 CL；即使在严格的能量与带宽约束下，我们提出的方法也能实现高达 42.8% 的提升。
引用
@article{arxiv.2512.13340,
title = {Link-Aware Energy-Frugal Continual Learning for Fault Detection in IoT Networks},
author = {Henrik C. M. Frederiksen and Junya Shiraishi and Cedomir Stefanovic and Hei Victor Cheng and Shashi Raj Pandey},
journal= {arXiv preprint arXiv:2512.13340},
year = {2025}
}