ML Mule：面向移动驱动的情境感知协作学习

人工智能已深度融入日常生活的方方面面，从计算机视觉中的目标检测到用于写邮件的大型语言模型，再到用于智能家居的紧凑型模型。这些机器学习模型有时满足单个用户的需求，但通常脱离于用户，因其通常存储和在中心数据中心中处理。这种集中方法引发隐私 concerns，造成高昂的基础设施成本，并难以提供实时、个性化的体验。Federated 和完全去中心化的学习方法已被提出以解决这些问题，但仍依赖中心化服务器或因通信限制面临收敛缓慢的问题。我们提出ML Mule，一种利用 individual 移动设备作为 '骡子' 来训练和运输模型快照的 method，当骡子穿越物理空间时，与这些空间共享这些模型。该方法隐式地形成与共享特定空间的用户相关联的设备之间的 affinity 群组，使其能够协作演化模型，同时保护用户隐私。我们的 method 解决了传统、联邦和完全去中心化学习系统的若干主要短板。ML Mule 表示一种更具鲁棒性、分布性和个性化的机器学习方法类，使该领域更接近于实现最初愿景——智能、自适应且真正情境感知的智能环境。我们的结果表明，ML Mule 在收敛速度和模型准确率方面优于其他现有方法。