論文の概要: Contrastive Continual Learning for Model Adaptability in Internet of Things

• arxiv url: http://arxiv.org/abs/2602.04881v1
• Date: Wed, 04 Feb 2026 18:59:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-05 19:45:11.703918
• Title: Contrastive Continual Learning for Model Adaptability in Internet of Things
• Title（参考訳）: モノのインターネットにおけるモデル適応性に対するコントラスト的連続学習
• Authors: Ajesh Koyatan Chathoth,
• Abstract要約: IoT(Internet of Things)デプロイメントは、センサドリフトなどの要因がアプリケーションユーティリティに影響を与えるような、非定常な動的環境で動作する。 連続学習(CL)は、破滅的な忘れをせずにモデルに時間をかけて適応することでこの問題に対処する。 コントラスト学習は、自己管理的な方法で堅牢性とサンプル効率を改善する強力な表現学習パラダイムとして登場した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Internet of Things (IoT) deployments operate in nonstationary, dynamic environments where factors such as sensor drift, evolving user behavior, and heterogeneous user privacy requirements can affect application utility. Continual learning (CL) addresses this by adapting models over time without catastrophic forgetting. Meanwhile, contrastive learning has emerged as a powerful representation-learning paradigm that improves robustness and sample efficiency in a self-supervised manner. This paper reviews the usage of \emph{contrastive continual learning} (CCL) for IoT, connecting algorithmic design (replay, regularization, distillation, prompts) with IoT system realities (TinyML constraints, intermittent connectivity, privacy). We present a unifying problem formulation, derive common objectives that blend contrastive and distillation losses, propose an IoT-oriented reference architecture for on-device, edge, and cloud-based CCL, and provide guidance on evaluation protocols and metrics. Finally, we highlight open unique challenges with respect to the IoT domain, such as spanning tabular and streaming IoT data, concept drift, federated settings, and energy-aware training.
• Abstract（参考訳）: IoT(Internet of Things)デプロイメントは、センサドリフトやユーザの振る舞いの進化、異質なユーザプライバシ要件といった要因がアプリケーションユーティリティに影響を与えるような、非定常な動的環境で動作する。 連続学習(CL)は、破滅的な忘れをせずにモデルに時間をかけて適応することでこの問題に対処する。 一方、コントラスト学習は、自己指導的な方法で堅牢性とサンプル効率を向上させる強力な表現学習パラダイムとして現れている。 本稿では,アルゴリズム設計(リプレイ,正規化,蒸留,プロンプト)とIoTシステム現実性(TinyML制約,断続接続性,プライバシ)を接続する,IoTにおける‘emph{contrastive continual learning}(CCL)’の使用についてレビューする。 コントラストと蒸留の損失をブレンドする共通の目的を導出し,デバイス,エッジ,クラウドベースのCCLを対象としたIoT指向の参照アーキテクチャを提案し,評価プロトコルやメトリクスに関するガイダンスを提供する。 最後に、テーブルやストリーミングIoTデータ、コンセプトドリフト、フェデレーション設定、エネルギ対応トレーニングなど、IoTドメインに関するユニークな課題を強調します。

関連論文リスト

• Multi-Agent Collaborative Intrusion Detection for Low-Altitude Economy IoT: An LLM-Enhanced Agentic AI Framework [60.72591149679355]
  低高度経済の急速な拡大により、インターネット・オブ・モノ(LAE-IoT)ネットワークは前例のないセキュリティ上の課題を生んだ。 従来の侵入検知システムは、空中IoT環境のユニークな特徴に対処できない。 LAE-IoTネットワークにおける侵入検出を強化するための大規模言語モデル(LLM)対応エージェントAIフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-25T12:47:25Z)
• Link-Aware Energy-Frugal Continual Learning for Fault Detection in IoT Networks [12.624687243042503]
  この記事では、エネルギー効率のよい障害検出のためのIoTネットワークにおける継続的学習を戦略的に統合する、イベント駆動型通信フレームワークを紹介します。 我々のフレームワークは,通信用無線リンク条件と利用可能なエネルギー予算に適応することにより,IoTデバイスとエッジサーバが,軽量MLモデルを協調的に更新することを可能にする。
  論文  参考訳（メタデータ） (2025-12-15T13:54:38Z)
• OptiFLIDS: Optimized Federated Learning for Energy-Efficient Intrusion Detection in IoT [0.8258451067861933]
  IoT環境では、セキュリティを確保するために効果的な侵入検知システム(IDS)が不可欠である。 従来の機械学習ベースのIDSモデルは一般的に大規模なデータセットを必要とするが、プライバシやセキュリティ上の懸念からデータ共有は制限されることが多い。 本稿では,モデル複雑性とエネルギー消費を低減するため,局所訓練中にプルーニング技術を適用したOptiFLIDSを提案する。
  論文  参考訳（メタデータ） (2025-10-05T16:44:41Z)
• In-Context Learning for Gradient-Free Receiver Adaptation: Principles, Applications, and Theory [54.92893355284945]
  ディープラーニングベースの無線受信機は、様々なチャネル環境に動的に適応する能力を提供する。 ジョイントトレーニング、ハイパーネットワークベースの手法、メタラーニングを含む現在の適応戦略は、限られた柔軟性を示すか、勾配降下による明示的な最適化を必要とする。 本稿では、インコンテキスト学習(ICL)の新たなパラダイムに根ざした勾配なし適応手法を提案する。
  論文  参考訳（メタデータ） (2025-06-18T06:43:55Z)
• FLARE: Feature-based Lightweight Aggregation for Robust Evaluation of IoT Intrusion Detection [0.0]
  モノのインターネット(IoT)デバイスは攻撃面を拡張し、ネットワーク保護のために効率的な侵入検知システム(IDS)を必要とする。 本稿では、IoT侵入検出の堅牢な評価のための機能ベースの軽量アグリゲーションであるFLAREを提案する。 我々は、IoT IDSの攻撃を分類するために、4つの教師付き学習モデルと2つのディープラーニングモデルを使用します。
  論文  参考訳（メタデータ） (2025-04-21T18:33:53Z)
• On-device edge learning for IoT data streams: a survey [1.7186863539230333]
  本稿では,ニューラルネットワーク(NN)と決定木(DT)の文脈におけるデバイス上でのトレーニングのための連続的学習手法について検討する。 データアーキテクチャ(バッチ対ストリーム)やネットワーク容量(クラウド対エッジ)といった重要な制約を強調します。 調査では、リソース制約のあるエッジデバイスにディープラーニングをデプロイする際の課題について詳述している。
  論文  参考訳（メタデータ） (2025-02-25T02:41:23Z)
• Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
  我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。 FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。 実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
  論文  参考訳（メタデータ） (2024-01-22T14:16:37Z)
• The Internet of Senses: Building on Semantic Communications and Edge Intelligence [67.75406096878321]
  インターネット・オブ・センセーズ(IoS)は、すべてのヒト受容体に対する欠陥のないテレプレゼンススタイルのコミュニケーションを約束する。 我々は,新たなセマンティックコミュニケーションと人工知能(AI)/機械学習(ML)パラダイムがIoSユースケースの要件を満たす方法について詳しく述べる。
  論文  参考訳（メタデータ） (2022-12-21T03:37:38Z)
• Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge Computing: A Contextual-Bandit Approach [81.5261621619557]
  階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。 まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。 そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
  論文  参考訳（メタデータ） (2021-08-09T08:45:47Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。