Cross-F2 SCIL:一种适用于跨移动边缘网络环境的联合少量样本类增量学习方法

《IEEE Transactions on Services Computing》:Cross-F2 SCIL: A Federated Few-Shot Class Incremental Learning Method for Cross Mobile Edge Network Environments

【字体: 大 中 小 】 时间:2025年12月17日 来源:IEEE Transactions on Services Computing 5.8

编辑推荐:

  边缘联邦学习通过移动设备实现多独立边缘网络动态协作,提出Cross-F2SCIL方法解决新类别少量样本导致的灾难性遗忘和过拟合问题。采用两阶段训练框架,结合原型增强、分层个性化参数聚合、自监督知识聚合和原型知识融合技术,有效提升模型泛化能力,实验表明在五个数据集上平均准确率提升5.52%,最高达7.97%。

  

摘要:

边缘联邦学习(Edge Federated Learning,EFL)在物联网(AIoT)领域展现出了巨大潜力,它通过保护数据隐私和降低通信成本来提升智能应用的效果。然而,在现实场景中,由于数据异构性和缺乏中央服务器等因素,多个独立的边缘网络很少能够进行协作。作为不同环境之间的桥梁,移动设备为多个边缘网络之间的动态协作提供了可能。然而,当移动设备在不同边缘网络之间切换时,它们可能会遇到样本数量极少的新类别,这可能导致先前知识的严重遗忘以及在新环境中的过拟合问题。为了解决这一挑战,我们提出了Cross-FSCIL(Cross-Federated Few-Shot Class Incremental Learning)方法,该方法能够在移动边缘网络环境中实现按需的动态协作。Cross-FSCIL允许移动设备在进入新边缘网络时,利用少量样本高效学习新类别的知识,同时巩固已有知识以防止遗忘。为了减轻新类别数据覆盖导致的知识遗忘以及服务器端参数稀释问题,我们设计了一个两阶段训练框架:在第一阶段,通过原型增强(Prototype Augmentation)来增强对已有知识的保留;在第二阶段,通过分层个性化参数聚合(Hierarchical Personalized Parameter Aggregation)将各设备学到的知识有效整合。为了在减少过拟合的同时有效学习新类别信息,我们结合了自监督知识聚合(Self-Supervised Knowledge Aggregation)和原型知识融合(Prototype Knowledge Fusion)技术,以提升模型的泛化能力,并将新类别无缝集成到现有模型中。与每个数据集上表现最佳的基线方法相比,Cross-FSCIL在五个数据集上的平均准确率提升了5.52%,最高提升了7.97%。

引言

随着移动通信技术的发展和物联网设备(IoT设备)[11][23]的日益普及,移动边缘计算(Mobile Edge Computing,MEC)[38]将云计算能力下放到边缘网络,有效缓解了高传输成本和长响应时间的问题。然而,数据仍然分散在各个设备上,且边缘服务器中的数据处理和计算仍涉及敏感用户信息。联邦学习(Federated Learning,FL)[27]通过支持分布式协作学习并确保数据隐私(通过本地模型训练和参数共享)提供了一种有前景的解决方案。边缘联邦学习(Edge Federated Learning,EFL)[8][12][29][33]结合了FL和MEC的优势,在各个边缘网络内构建设备与边缘服务器的联邦系统,这些系统进一步互联,形成了涵盖多个边缘网络和云的更大联邦体系。

相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号