一种用于TinyML设备训练的持续增量学习方法：数据集蒸馏和模型规模适应
原文中文，约600字，阅读约需2分钟。发表于：。本研究针对在TinyML环境下的增量学习挑战，提出了一种新算法，该算法通过知识蒸馏生成小型数据集，并动态调整模型大小，适应任务需求。研究表明，该算法在保持较低的计算需求和内存使用下，实现了小模型的增量学习，且仅需43%的计算资源就可保持1%的精度损失，具有显著的应用潜力。
近年来，微型机器学习（TinyML）在低占用嵌入式设备上提供了实时的机器学习能力。然而，TinyML的实际实施面临挑战。本研究旨在弥合原型设计与生产级系统之间的差距，提出在线学习和联邦元学习方法以增强模型的泛化能力，并提出语义管理以管理资源多样性。通过实例和三个应用的评估，验证了方法的有效性。
