本研究提出了一种名为数据通道扩展（DEX）的方法，旨在提升微型AI加速器上微型机器学习的推理准确度。通过均匀采样和通道堆叠，DEX实现了平均3.5%的准确度提升。

近年来，TinyML在低占用嵌入式设备上提供实时机器学习能力。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泛化能力，并提出语义管理以管理多样性和非标准化资源。通过实际应用评估，验证了这些方法的有效性。

近年来，TinyML在低占用嵌入式设备上提供了实时的机器学习能力。本研究旨在弥合原型设计的单一TinyML模型与开发可靠的生产级TinyML系统之间的差距。研究提出在线学习以实现在受限设备上的训练，并使本地模型适应最新的现场条件。同时，引入联邦元学习将在线学习结合在一起，以增强模型的泛化能力。此外，提出语义管理以进行模型和设备的联合管理。通过实例和三个真实应用的评估，验证了方法的有效性。