邊緣云創(chuàng)新Lab 邊云協(xié)同終身學習中多任務定義相關論文發(fā)表于ACM數(shù)據(jù)挖掘頂會ACM CIKM

2022年10月17日，邊緣云創(chuàng)新Lab 邊云協(xié)同終身學習中多任務定義相關論文發(fā)表于ACM數(shù)據(jù)挖掘頂會ACM CIKM 2022

ACM CIKM會議是信息檢索和數(shù)據(jù)挖掘領域頂級學術會議。本屆CIKM會議共收到投稿920篇，其中錄用論文193篇，錄取率僅為20.98%。在如此嚴格的評審錄用流程中，對本論文，ACM CIKM Technical Program Committee 分區(qū)主席及評審委員全員表達接收意見（Accept x 2，Weak Accept x1）。本論文《Towards Edge-Cloud Collaborative Machine Learning: a Quality-aware Task Partition Framework》提出任務定義新問題及其框架，為邊云協(xié)同終身學習領域添磚加瓦。

近年來，為現(xiàn)實世界服務的邊云協(xié)同任務如雨后春筍逐步涌現(xiàn)，并引起了全世界的關注。然而，由于邊緣的數(shù)據(jù)異構，即便最先進的邊云協(xié)同機器學習服務仍然不是那么可靠，在邊緣通?？梢栽L問混合訓練集，該訓練集本質上是從基礎任務的各種分布中收集的。查找需要從給定數(shù)據(jù)集顯示的此類隱藏任務稱為任務定義問題。手動任務定義通常昂貴、不可擴展并存在偏見。因此，邊緣云創(chuàng)新Lab的研究者們創(chuàng)新性地提出了質量感知的任務分區(qū)（QTP）問題，其中最終任務是根據(jù)任務模型的性能定義出的。據(jù)我們所知，這項工作首個研究聚焦任務質量的QTP問題。研究者開發(fā)了一種多項式時間算法，基于57臺真實攝像頭數(shù)據(jù)的案例研究顯示了算法的優(yōu)越性。與STOA基線相比，TFForest的F1分數(shù)平均高出9.2%，部署新攝像頭時需要的樣本減少43.1%?？蚣艿牟糠执a已開源到KubeEdge-Sedna邊云協(xié)同終身學習框架。