論文の概要: Online Continual Learning in Edge-Cloud Applications

• arxiv url: http://arxiv.org/abs/2610.32472v1
• Date: Fri, 23 Oct 2026 10:41:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.497751
• Title: Online Continual Learning in Edge-Cloud Applications
• Title（参考訳）: エッジクラウドアプリケーションにおけるオンライン連続学習
• Abstract要約: 本稿では,IoTアプリケーションにおける連続学習(CL)とOOD(Out-of-Distribution)検出と概念ドリフト検出を統合したエッジクラウド手法を提案する。 提案手法では, ODIN と ECDD をアノテーションのインフォメーションサンプルを識別し,リハーサルベースのモデル更新をトリガーする代替メカニズムとして組み込んでいる。
• 参考スコア（独自算出の注目度）: 5.244397399622292
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deployed machine learning models in real-world IoT and edge/cloud systems face a critical reliability bottleneck: the requirement for online adaptation to non-stationary data streams while operating without access to the full original training dataset. Performance is severely degraded when models encounter Out-of-Distribution (OOD) inputs or suffer from catastrophic forgetting. Addressing these challenges requires adaptation mechanisms capable of learning from evolving data streams while preserving previously acquired knowledge. This paper proposes an edge-cloud methodology for integrating Continual Learning (CL) with Out-of-Distribution (OOD) Detection and Concept Drift Detection in IoT applications. The methodology incorporates ODIN and ECDD as alternative mechanisms for identifying informative samples for annotation and triggering rehearsal-based model updates. Experimental results across automotive, healthcare, and agricultural datasets demonstrate the applicability of the proposed methodology and its potential to support model adaptation while mitigating catastrophic forgetting.
• Abstract（参考訳）: 実世界のIoTおよびエッジ/クラウドシステムにデプロイされた機械学習モデルは、重要な信頼性上のボトルネックに直面している。 モデルがアウト・オブ・ディストリビューション(OOD)の入力に遭遇したり、破滅的な忘れに苦しむ場合、パフォーマンスは著しく低下する。 これらの課題に対処するには、以前に取得した知識を保持しながら、データストリームの進化から学習できる適応メカニズムが必要である。 本稿では,IoTアプリケーションにおける連続学習(CL)とOOD(Out-of-Distribution)検出と概念ドリフト検出を統合したエッジクラウド手法を提案する。 この手法はODINとECDDをアノテーションのインフォメーションサンプルを特定し、リハーサルベースのモデル更新をトリガーする代替メカニズムとして組み込んでいる。 自動車,医療,農業のデータセットにまたがる実験結果から,提案手法の適用性と,破滅的な忘れを軽減しつつモデル適応を支援する可能性が確認された。

関連論文リスト

• Incremental Federated Learning for Intrusion Detection in IoT Networks under Evolving Threat Landscape [0.5161531917413708]
  本研究は,IoTネットワークにおける非定常IDSモデルの長期性能向上のための,インクリメンタルフェデレーション学習の総合的パフォーマンス解析を提供する。 以上の結果から,累積的漸進的学習と代表的学習がドリフト時の最も安定した性能をもたらすことが示された。 この研究は、IoTデバイスのリソース制約を考慮して、よりレジリエントなIDSソリューションの開発を知らせることを目的としている。
  論文  参考訳（メタデータ） (2026-03-11T13:51:11Z)
• From Physics to Machine Learning and Back: Part II - Learning and Observational Bias in PHM [52.64097278841485]
  物理インフォームドモデリングとデータストラテジーによる学習と観察バイアスの導入は、モデルを物理的に一貫した信頼性のある予測へと導くことができるかを検討する。 メタラーニングや少数ショットラーニングなどの高速適応手法をドメイン一般化手法とともに検討する。
  論文  参考訳（メタデータ） (2025-09-25T14:15:43Z)
• 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)
• Learn while Unlearn: An Iterative Unlearning Framework for Generative Language Models [52.40798352740857]
  3つのコアコンポーネントで構成されるICU(Iterative Contrastive Unlearning)フレームワークを紹介する。 知識未学習誘導モジュールは、未学習の損失を使用して、特定の知識を除去するためにターゲットとする。 Contrastive Learning Enhancementモジュールは、純粋な未学習の目標に対してモデルの表現力を保持する。 イテレーティブ・アンラーニング・リファインメントモジュールは、進行中の評価と更新を通じて、アンラーニングプロセスを動的に調整する。
  論文  参考訳（メタデータ） (2024-07-25T07:09:35Z)
• 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)
• EdgeFD: An Edge-Friendly Drift-Aware Fault Diagnosis System for Industrial IoT [0.0]
  我々は,産業用モノのインターネット(IIoT)における頻繁なデータドリフトによる課題を軽減するため,DAWC(Drift-Aware Weight Consolidation)を提案する。 DAWCは複数のデータドリフトシナリオを効率的に管理し、エッジデバイス上での一定のモデル微調整の必要性を最小限にする。 包括的診断・可視化プラットフォームも開発しました。
  論文  参考訳（メタデータ） (2023-10-07T06:48:07Z)

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。