面向嵌入式设备的在线持续学习

实时设备端持续学习对于家庭机器人、智能手机用户个性化以及增强/虚拟现实头显等新应用是必需的。然而，该设置带来独特挑战：嵌入式设备内存与计算能力有限，且传统机器学习模型在非平稳数据流上更新时会遭受灾难性遗忘。尽管已开发若干在线持续学习模型，其在嵌入式应用中的有效性尚未被严格研究。本文中，我们首先明确在线持续学习器必须满以满足实时、设备端学习有效执行的准则。然后我们研究了多种在线持续学习方法与移动神经网络结合时的效能。我们度量了它们的性能、内存使用、计算需求以及泛化到域外输入的能力。