控制与决策

作者：姚邹静,赵春晖

单位：浙江大学 控制科学与工程学院，杭州 310027,,浙江大学 控制科学与工程学院，杭州 310027,

关键词：图像分类;联邦学习;增量学习;灾难性遗忘;云边协同;特征原型

基金：浙江省“尖兵”“领雁”研发攻关计划项目(2024C01163)；国家自然科学基金杰出青年基金项目(62125306)；工业控制技术全国重点实验室项目(ICT2024A06).

由于存储空间限制, 物联网中的边缘设备往往仅能保留当前某个有限时段内的数据. 实际生产过程中, 设备工况在一定时间内发生变动, 产生新类别的故障数据或图像, 这种类别增量会造成模型在本地训练时产生灾难性遗忘. 在单边端类别增量的局部灾难性遗忘基础上, 随着云边协同优化, 灾难性遗忘会产生扩散. 针对上述问题, 提出一种基于稳定特征原型的联邦类别增量学习方法, 在边端建立类别样本记忆库存储类别代表性样本, 设计基于回放范式的原型网络更新策略, 在云端设计以统一特征空间下的特征原型为参考基准的加权聚合策略, 在联邦框架下稳定优化特征空间, 实现类别知识的联邦更新. 基于类别增量常用的数据集CIFAR10和Mini-ImageNet的实验验证了所提方法可以有效缓解灾难性遗忘.

来源：2025年第4期

《控制与决策》期刊编辑部

查看控制与决策杂志2025年第4期