← 研踪 PaperTrail软件学报:jos:7676 · 记录 #1
边缘智能中低成本的快速自适应模型部署与更新方法
来源日期 2026-07-08
来源记录日期 2026-07-08
雷达观测 2026-11-05 00:20
摘要
边缘智能通过在网络边缘部署模型, 能有效降低数据传输延迟并缓解中心云的计算压力. 然而, 模型在边缘侧的部署与持续更新, 使部署效率与成本成为评估系统性能的关键指标. 尽管已有研究提出多种策略以权衡模型精度与部署成本, 但在服务请求多变且资源受限的实际环境中, 现有方法仍难以实现高效、自适应的部署与更新. 针对这一问题, 提出一种面向边缘智能的低成本快速自适应模型部署与更新策略PACE, 旨在动态环境中以更低的部署成本实现对服务需求的高效响应, 从而提升边缘智能系统的持续服务能力与性能. 具体而言, 该方法通过挖掘模型间的共享特性, 对不同阶段的部署成本进行精细化建模, 并结合模型信息年龄(age of information, AOI)构建性能评估模型, 从而实现更高成本效益的部署决策. 在此基础上, 引入元强化学习以学习任务变化的先验知识, 并结合变分贝叶斯网络实现在线优化, 从而增强模型部署策略在动态环境下的快速自适应能力. 最后, 从泛化性与收敛性两个方面验证PACE的理论有效性. 基于合成的 Zipf 请求分布对所提出的PACE方法进行评估. 实验结果表明, PACE 在任务频繁变化的场景中能够实现高效的自适应部署, 在显著降低模型部署成本的同时, 仍可维持可接受的模型精度与系统响应效率.
论文发现出处
这些页面提供论文线索，不代表同行评审或质量认证。
发表信息与关联版本
软件学报 ↗2026 · 正式发表 · DOI: 10.13328/j.cnki.jos.007676
观测到的版本
平台记录号代表本站观测到的元数据变化，不是作者修订号。来源日期仅到月份或年份时，按该月或该年首日存档。
记录 #1 · 2026-07-08 · 最新观测版本
边缘智能中低成本的快速自适应模型部署与更新方法
边缘智能通过在网络边缘部署模型, 能有效降低数据传输延迟并缓解中心云的计算压力. 然而, 模型在边缘侧的部署与持续更新, 使部署效率与成本成为评估系统性能的关键指标. 尽管已有研究提出多种策略以权衡模型精度与部署成本, 但在服务请求多变且资源受限的实际环境中, 现有方法仍难以实现高效、自适应的部署与更新. 针对这一问题, 提出一种面向边缘智能的低成本快速自适应模型部署与更新策略PACE, 旨在动态环境中以更低的部署成本实现对服务需求的高效响应, 从而提升边缘智能系统的持续服务能力与性能. 具体而言, 该方法通过挖掘模型间的共享特性, 对不同阶段的部署成本进行精细化建模, 并结合模型信息年龄(age of information, AOI)构建性能评估模型, 从而实现更高成本效益的部署决策. 在此基础上, 引入元强化学习以学习任务变化的先验知识, 并结合变分贝叶斯网络实现在线优化, 从而增强模型部署策略在动态环境下的快速自适应能力. 最后, 从泛化性与收敛性两个方面验证PACE的理论有效性. 基于合成的 Zipf 请求分布对所提出的PACE方法进行评估. 实验结果表明, PACE 在任务频繁变化的场景中能够实现高效的自适应部署, 在显著降低模型部署成本的同时, 仍可维持可接受的模型精度与系统响应效率.
查看此版本解读 →查看此版本原文 ↗