arXiv cs.AI· Mattia Giovanni Campana, Dariush Salami, H\"useyin Yi\u{g}itler, Stephan Sigg·· 11 小时前AI 评分22
PULSE：面向可穿戴设备的个性化机会学习框架
PULSE: Personalized Opportunistic Learning for Wearable Devices
AI 导读
PULSE 是一个事件驱动的个性化机会学习框架，将每次设备相遇视为在线协作决策，仅在邻近节点的梯度与本地学习方向兼容时才进行交互。在人类活动识别、跌倒检测和压力识别任务上，PULSE 保持或提升了个性化分类性能，同时相比机会式模型平均将节点间交换减少 80-94%。端侧实验显示其完整实现仅占用 149.8 KiB RAM 和 561.8 KiB flash，验证了在可穿戴硬件上的可行性。
正文 · AI 翻译
摘要：可穿戴设备越来越多地支持个性化健康与福祉应用，但部署后的数据可能与用于训练的数据存在显著差异，而纯本地适配可能受限于真实世界运行期间单台设备上可用的数据。传统的联邦与去中心化学习依赖反复通信和稳定连接，而现有的机会式方法往往利用可用的相遇机会，却未充分考虑其效用、兼容性或通信成本。
我们提出 PULSE，一个用于个性化机会式学习的事件驱动框架，它将每次相遇视为一次在线协作决策，选择不交互或选择一个有前景的邻近对等方。仅当对等方梯度与本地学习方向兼容时才将其纳入，同时过往交互指导未来的对等方选择。在合成与真实接触轨迹下的人类活动识别、跌倒检测和压力识别任务中，PULSE 保持或提升了个性化分类性能，同时与机会式模型平均相比，将对等方辅助交换减少了 80-94%。设备端实验进一步证明了其在可穿戴硬件上的可行性：对等方辅助操作所需能量有限，而完整实现占用 149.8 KiB 的 RAM 和 561.8 KiB 的闪存。所得结果表明，选择性机会式协作可以在受限的可穿戴设备上提供有效的个性化，同时限制通信和资源需求。
| 评论： | 提交至 IEEE PerCom 2027 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI）；分布式、并行与集群计算（cs.DC） |
| 引用为： | arXiv:2610.28081 [cs.LG] |
| （或 arXiv:2610.28081v1 [cs.LG] 为此版本） | |
| https://doi.org/10.48550/arXiv.2610.28081 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Mattia Giovanni Campana [查看电子邮件]
[v1]
2026年10月20日星期二 12:00:38 UTC（703 KB）
来源：arXiv cs.AI · arxiv.org