TActiLE：面向可穿戴设备的微型主动学习
机器学习
2025-11-21 v1
摘要
微型机器学习（TinyML）算法近年来得到了广泛应用，使得可穿戴设备不仅能够互联，还能通过在设备上直接运行机器学习（ML）计算而变得真正智能。在这些设备中，智能眼镜尤其受益于TinyML的进步。TinyML促进了ML算法推理阶段在嵌入式和可穿戴设备上的执行，并且最近已扩展到设备端学习（ODL），允许推理和学习阶段都直接在设备上进行。将ODL技术应用于可穿戴设备尤其引人注目，因为它能够开发出基于用户数据自适应的更个性化模型。然而，ODL算法面临的主要挑战之一是设备上收集的标注数据稀缺。在智能可穿戴环境中，要求用户手动标注大量数据通常不切实际，并可能导致用户对该技术失去兴趣。为解决此问题，本文探索了主动学习（AL）技术的应用，即旨在通过从大量未标注数据中主动选择仅一小部分子集进行标注并添加到算法训练集中，从而最小化标注工作量的技术。具体来说，我们提出了TActiLE，这是一种新颖的AL算法，它从设备端传感器数据流中选择那些一旦结合用户提供的标签就能最大程度帮助ML算法改进的数据。TActiLE是首个专门为TinyML环境设计的主动学习技术。我们通过在多个图像分类数据集上的实验评估了其有效性和效率。结果证明了其对微型和可穿戴设备的适用性。
引用
@article{arxiv.2505.01160,
title = {TActiLE: Tiny Active LEarning for wearable devices},
author = {Massimo Pavan and Claudio Galimberti and Manuel Roveri},
journal= {arXiv preprint arXiv:2505.01160},
year = {2025}
}
备注
Accepted to the "Eyes Of The Future: Integrating Artificial Intelligence in Smart Eyewear (IAISE)" Workshop, Held at the "International Joint Conference on Neural Networks (IJCNN) 2025"