机构名称：
¥ 3.0
edge-ai是边缘计算和人工智能（AI）的收敛性，已成为一个有希望的偏见，可以在网络边缘部署高级AI模型，靠近用户。在Edge-ai中，联邦持续学习（FCL）已成为一个当务之急，该框架融合了不同客户的知识，同时保留数据隐私并在学习新任务时从先前的任务中保留知识。这样做，FCL旨在确保在动态和分布式环境中学习模型的稳定和可靠的性能。在这项调查中，我们彻底回顾了最新的研究，并介绍了Edge-AI的FCL的首次全面调查。我们根据三个任务特征对FCL方法进行分类：联合班级持续学习，联合领域持续学习和联合任务持续学习。对于每个类别，提供了对代表性方法的深入调查和审查，涵盖了背景，挑战，问题形式化，解决方案和局限性。此外，还审查了FCL授权的现有现实世界中的现实信息，这表明FCL在不同的应用域中的当前进展和潜力。此外，我们讨论并突出了FCL的几个前瞻性研究指示，例如针对FCL和FCL的算法 - 硬件共同设计与基础模型，这可以为Edge-AI时代提供对FCL的未来发展和实际部署的见解。
Edge-ai的联合持续学习
主要关键词
相关文件推荐
