无线网络中用于设备端和边缘分析的TinyML：部署、机遇和概念漂移缓解综述

泛在智能对于实现下一代无线网络中的实时、自适应、自主和可扩展操作至关重要。然而，这在终端设备/边缘侧带来了数据管理和能耗方面的重大挑战，尤其是在动态环境条件下。这推动了微型机器学习（tinyML）的采用，它在终端设备/边缘侧提供了数据驱动的优化。在这项工作中，我们调查并深入讨论了tinyML在无线网络中的各种已开发/未开发的部署可能性。我们识别了现有的、常用于设计tinyML算法的框架，这些框架可用于解决一系列无线网络问题。我们提出了一种基于联邦学习的tinyML模型更新流程，适用于电池供电和无电池终端设备，以解决tinyML模型面临的概念漂移问题。此外，我们讨论了支持更新的检查点、容错引导加载程序和间歇感知修改操作，这些可以在无电池终端设备的情况下支持基于联邦学习的tinyML模型更新。总的来说，本文阐述了终端设备/边缘智能可以在下一代无线系统中应用的几个领域，以及缓解终端设备智能所面临的概念漂移问题的方法。