边缘自监督学习：标记的成本
机器学习
2025-07-10 v1 信号处理
摘要
对比学习 (CL) 近期作为传统监督机器学习解决方案的替代方案，能够从非结构化无标签数据中获得丰富的表示。然而，CL 和更广泛的自监督学习 (SSL) 方法往往需要大量数据和计算资源，对在资源受限的边缘设备上部署提出挑战。本文探讨了 SSL 技术在边缘学习中的可行性和效率，重点分析模型性能与能源效率之间的权衡。特别是，我们分析了不同 SSL 技术如何适应受限计算、数据和能源预算，评估其在资源受限环境下学习稳健表示的有效性。此外，我们还考虑标签数据所需的能源成本，评估半监督学习有助于减少训练 CL 模型时的总能耗。通过大量实验，我们展示，针对性的 SSL 策略能够实现具竞争力的性能，同时将资源消耗降低最高可达 ，凸显了其在边缘能源高效学习中的潜力。
引用
@article{arxiv.2507.07033,
title = {Self-Supervised Learning at the Edge: The Cost of Labeling},
author = {Roberto Pereira and Fernanda Famá and Asal Rangrazi and Marco Miozzo and Charalampos Kalalas and Paolo Dini},
journal= {arXiv preprint arXiv:2507.07033},
year = {2025}
}
备注
Accepted for publication in IEEE MLSP 2025