面向边缘端人体活动增量学习的灾难性遗忘处理
机器学习
2023-02-21 v1 人工智能
摘要
人体活动识别（HAR）一直是一个经典的研究问题。特别是，借助最近的机器学习（ML）技术，该识别任务已被公司广泛研究并集成到面向客户的产品中。然而，它们大多应用预定义的活动集并在云端进行学习过程，这阻碍了终端用户（即边缘设备）的特定个性化。尽管增量学习的最新进展允许动态学习新类别数据，但学习过程通常在云端进行，需要云端和边缘设备之间不断交换数据，从而导致数据隐私问题。在本文中，我们提出了 PILOTE，它将增量学习过程推向了极致边缘，同时提供了可靠的数据隐私和实际效用，例如低处理延迟、个性化等。特别地，我们考虑了边缘端增量学习过程中数据极其有限的实际挑战，在此情况下需要以实用的方式处理灾难性遗忘。我们利用从移动传感器收集的人体活动数据进行了大量实验来验证 PILOTE。结果表明，PILOTE 可以在资源极其有限的边缘设备上工作，同时提供可靠的性能。
引用
@article{arxiv.2302.09310,
title = {On Handling Catastrophic Forgetting for Incremental Learning of Human Physical Activity on the Edge},
author = {Jingwei Zuo and George Arvanitakis and Hakim Hacid},
journal= {arXiv preprint arXiv:2302.09310},
year = {2023}
}
备注
Accepted by EDBT'23 - Industrial & Application track