基于增量学习的边缘端模型在线更新系统设计与遗忘抑制 .docxVIP

PAGE2

基于增量学习的边缘端模型在线更新系统设计与遗忘抑制

摘要

随着物联网与智能终端的普及，边缘计算场景对模型的实时性与适应性提出了更高要求。传统云端集中式训练与全量更新模型的方式，存在网络延迟高、带宽占用大、无法适应动态数据分布的局限。本课题旨在设计并实现一个部署于边缘设备的增量学习在线更新系统，核心目标是使模型能够在不遗忘旧知识的前提下，持续学习新数据，实现模型的自主演进。

本设计遵循软件工程流程。首先，通过需求分析明确了系统需具备增量学习、遗忘抑制、模型管理与资源适配等核心功能。其次，在总体设计中，提出了包含数据流处理、增量学习引擎、模型存储与调度三大模块的微服务化架构。详细设计阶段，重点阐述了基于弹性权重巩固的遗忘抑制算法与轻量级模型更新协议。系统实现基于Python与PyTorch框架，并在树莓派平台上完成了原型部署。测试结果表明，系统能够在有限资源下有效进行模型在线更新，在标准数据集上的遗忘率较基线方法降低了约15%。

本设计的核心创新在于将EWC算法与边缘计算资源约束相结合，设计了一种动态正则化系数调整策略，平衡了模型性能与计算开销。系统为边缘智能场景下模型的持续学习提供了一套可行的轻量级解决方案。

关键词：边缘计算；增量学习；灾难性遗忘；在线更新；弹性权重巩固

第一章绪论

1.1研究背景

当前，人工智能模型正从云端向边缘端下沉。智能摄像头、工业传感