一篇新发表在arXiv上的调查论文，探讨了TinyML应用中端侧学习（ODL）的挑战。文章着重阐述了部署后数据分布的变化如何导致静态模型性能下降。该论文调查了约70项ODL相关工作，根据它们所解决的分布变化类型进行分类，并分析了这些变化对应用、硬件和解决方案结构的影响。研究指出，当前的ODL基准测试与实际部署场景之间存在显著差距。 AI
影响 识别出ODL基准测试与实际部署之间的差距，可能指导TinyML未来的研究和开发。
排序理由 该集群包含一篇关于特定机器学习研究领域的调查论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2605.31226v1 Announce Type: cross Abstract: Machine learning models on microcontroller-class devices (TinyML) face a fundamental challenge: post-deployment distribution change undermines static models. On-device learning (ODL) addresses this by running the learning process …
Machine learning models on microcontroller-class devices (TinyML) face a fundamental challenge: post-deployment distribution change undermines static models. On-device learning (ODL) addresses this by running the learning process directly on the device. The existing literature ha…