PULSE：面向可穿戴设备的个性化机会式学习

arXiv:2610.28081v1 公告类型：新 摘要：可穿戴设备日益支持个性化健康与福祉应用，但部署后的数据可能与训练所使用的数据存在显著差异，而在真实运行过程中，纯本地适应可能受限于单台设备可获得的数据。传统的联邦学习和去中心化学习依赖周期性通信与稳定连接，而现有的机会式方法通常会利用可用的接触机会，却未充分考虑其效用、兼容性或通信成本。我们提出 PULSE，一种事件驱动的个性化机会式学习框架，将每次接触视为一次在线协作决策，在不进行交互和选择一个有潜力的附近对等设备之间作出选择。仅当对等设备的梯度与本地学习方向兼容时，才会将其纳入学习过程；同时，过往交互会指导未来的对等设备选择。在合成和真实接触轨迹下的人员活动识别、跌倒检测和压力识别任务中，与机会式模型平均相比，PULSE 在减少 80%–94% 对等设备辅助交换的同时，保持或提升了个性化分类性能。设备端实验进一步证明了其在可穿戴硬件上的可行性：对等设备辅助操作仅需有限能耗，而完整实现仅占用 149.8 KiB RAM 和 561.8 KiB 闪存。结果表明，选择性的机会式协作能够在满足个性化需求的同时，限制受限可穿戴设备的通信与资源开销。