基于混合专家的统一类增量与域增量学习用于室内定位

室内定位使用机器学习正因日益增长的基于位置的服务需求而受到关注。然而，其长期可靠性受到跨移动设备的硬件/软件差异的限制，这些差异会导致模型输入分布发生偏移，从而创建 domain 偏移。进一步地，演变中的室内环境可以随时间引入新的位置，从而扩大输出空间以创建类别偏移，使得静态机器学习模型在时间推移后变得无效。为了应对这些挑战，我们提出了一个名为 MOELO 的新型统一持续学习框架用于室内定位，该框架首次联合解决了 domain 增量和类别增量学习场景。MOELO 使能够部署在资源受限移动设备上的轻量级、稳健且自适应的定位解决方案能够在动态异构真实世界环境中进行持续学习。这得益于一种混合专家架构，其中专家按区域逐个训练，通过基于等角紧致框架的门控机制进行选择，确保高效路由和低延迟推理，同时保持紧凑的模型规模。实验评估显示，MOELO 在多样化建筑、移动设备和学习场景中实现了最高可达 25.6 倍的平均定位误差改进、44.5 倍的最坏情况定位误差改进以及 21.5 倍的遗忘减少。