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

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。