面向资源受限情境的可持续时段包容式 ML continual 适应
机器学习
2026-05-29 v1 人工智能
摘要
随着机器学习 (ML) 系统演变为 continual 适应，每个再训练周期都使用 compute、标注和 energy。我们引入 TIMEGATE，一个管理适应的政策层，通过预算化 time、label、training 和 evaluation。TIMEGATE 发出 metric-availability signal M，用于部分 vs. 完全评估决策。我们验证了：(i) 标注在 Adult 表格数据上优于训练 2.3 倍；(ii) 它可移植到 LLaMA-3.1-8B + QLoRA 在 SST-2 上 (准确率 0.80 提升至 0.96；M 在 35/36 次运行中为 1)；(iii) M 是有信息的，28 单元灵敏度显示 M 在紧阈值时降至 0.81；(iv) 100 周期仿真实现 66% 的 evaluation-compute 节省，无 silent mis-promotion；(v) LLaMA 上 10% 切片评估在单个 H200 上使用 89% 更少的 wall-clock 和 energy (比例误差为 0.2%)。
引用
@article{arxiv.2605.29183,
title = {TIMEGATE: Sustainable Time-Boxed Promotion Gates for Continual ML Adaptation Under Resource Constraints},
author = {Abhijit Chakrabroty and Suddhasvatta Das and Kevin A. Gary and Yash Shah},
journal= {arXiv preprint arXiv:2605.29183},
year = {2026}
}