通过基于原型的参数编辑应对设备数据分布实时漂移
机器学习
2025-09-09 v1 计算机视觉与模式识别
分布式、并行与集群计算
信息检索
摘要
设备上实时数据分布漂移对轻量级设备模型的泛化能力构成挑战。这一关键问题在当前研究中常被忽视，当前研究主要依赖数据密集且计算昂贵的微调方法。为解决这一问题，我们提出 Persona，一种新颖的个性化方法，采用基于原型的、无反向传播的参数编辑框架，在不进行部署后重新训练的情况下增强模型泛化能力。Persona 利用云端神经适配器，根据实时设备数据生成参数编辑矩阵。该矩阵巧妙地使设备模型适应现有的数据分布，高效地将其聚类为原型模型。原型通过参数编辑矩阵动态细化，促进高效演化。此外，跨层知识迁移的集成确保了一致且上下文感知的跨层参数变化和原型分配。在多个数据集上的视觉任务和推荐任务的广泛实验证实了 Persona 的有效性和通用性。
引用
@article{arxiv.2509.06552,
title = {Tackling Device Data Distribution Real-time Shift via Prototype-based Parameter Editing},
author = {Zheqi Lv and Wenqiao Zhang and Kairui Fu and Qi Tian and Shengyu Zhang and Jiajie Su and Jingyuan Chen and Kun Kuang and Fei Wu},
journal= {arXiv preprint arXiv:2509.06552},
year = {2025}
}
备注
Published on MM'25: Proceedings of the 33rd ACM International Conference on Multimedia