超级会员免费看
边缘智能学习技术解析
1. 边缘智能的必要性
在几乎所有活动中，学习都是普遍存在的行为。人类大脑由超过1000亿个神经元组成，能够从各种传感源捕获信息。大脑的三个主要部分——大脑、小脑和脑干，在处理来自不同感官模式（包括触觉信息）的捕获信息方面起着关键作用。大脑的每个部分都有特定的功能来处理学习任务，例如视觉学习和推理发生在大脑的枕叶。
感觉信息通过突触沿着神经路径经身体的感觉器官传递，并存储在大脑的短期记忆部分。根据对该信息的访问频率，内容会转移到大脑的长期记忆单元，长期记忆涉及大脑的结构核心。
在人类大脑中，记忆形成基于神经元之间的连接，这些连接会根据多种因素增强或减弱。例如，与情感或重复相关的信息可以在神经元之间建立强连接，同样，与多种感官输入（如触觉、嗅觉、声音、视觉和味觉）相关的信息也能导致强神经元连接。
人类不仅能在大脑中处理信息，还能在接近身体感觉部位的地方进行推理或决策。比如，突然触摸到热物体时，如果感到疼痛，我们会立即移开，此时感觉信息在脊髓附近处理，而不是在将所有信息发送到大脑后再采取行动，这体现了人类的边缘级智能。
类似于人类大脑，边缘级机器也可以执行学习过程，以提供即时的学习推理。在靠近传感器节点的计算节点上执行深度学习算法时，边缘级智能的应用尤为广泛。这样做可以减少物联网应用的网络延迟，并比传统的以云为中心的物联网解决方案更快地执行操作。
使用边缘级节点应用学习技术的方法有以下几种：
1. 联邦学习（FL）
2. DNN 拆分学习
3. 迁移学习
4. 八卦学习
下面将详细讨论这些倾向于边缘的学习方法的核心概念、优缺点。
<
订阅专栏 解锁全文
57
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
