Key points are not available for this paper at this time.
Das vorherrschende Paradigma für die Verwendung von Maschinenlernmodellen auf einem Gerät besteht darin, ein Modell in der Cloud zu trainieren und die Inferenz mithilfe des trainierten Modells auf dem Gerät durchzuführen. Mit der zunehmenden Anzahl intelligenter Geräte und verbesserter Hardware besteht jedoch Interesse daran, das Modelltraining auf dem Gerät durchzuführen. Angesichts dieses Anstiegs des Interesses bietet eine umfassende Umfrage auf dem Gebiet aus einer geräteunabhängigen Perspektive eine Grundlage, um sowohl den Stand der Technik zu verstehen als auch offene Herausforderungen und zukünftige Forschungsrichtungen zu identifizieren. Das On-Device-Lernen ist jedoch ein weites Feld mit Verbindungen zu einer Vielzahl von verwandten Themen in KI und Maschinenlernen (einschließlich Online-Lernen, Modellanpassung, One-/Few-Shot-Lernen usw.). Daher ist es unpraktisch, eine so große Anzahl von Themen in einer einzigen Umfrage abzudecken. Diese Umfrage findet einen Mittelweg, indem das Problem des On-Device-Lernens als ressourcenbeschränktes Lernen reformuliert wird, wobei die Ressourcen Rechenleistung und Speicher sind. Diese Reformulierung erlaubt es, Werkzeuge, Techniken und Algorithmen aus einer Vielzahl von Forschungsbereichen fair zu vergleichen. Neben der Zusammenfassung des Stands der Technik identifiziert die Umfrage auch eine Reihe von Herausforderungen und nächsten Schritten sowohl für die algorithmischen als auch für die theoretischen Aspekte des On-Device-Lernens.
Dhar et al. (Thu,) untersuchten diese Frage.