Continual-Learning-as-a-Service (CLaaS): 预测模型的即时高效适应

Jun, 2022

Continual-Learning-as-a-Service (CLaaS): 预测模型的即时高效适应

Continual-Learning-as-a-Service (CLaaS): On-Demand Efficient Adaptation of Predictive Models

Rudy Semola, Vincenzo Lomonaco, Davide Bacciu

TL;DR本文介绍了 Continual Learning-as-a-Service (CLaaS) 模型服务的设计与实现，提供了模型更新和验证工具，支持实时推断，易于使用且高效。经过两个真实场景的评估，发现该模型服务具有良好的可用性和效率，能有效地解决实践中的问题。

Abstract

Predictive machine learning models nowadays are often updated in a stateless and expensive way. The two main future trends for companies that want to build machine learning-based applications and systems are

machine learning continual learning claas real-time inference model updating

发现论文，激发创造

IBM 深度学习服务

本文介绍了 IBM 的深度学习服务（DLaaS）的软件架构细节，该服务提供深度学习库，通过分布和编排层，资源供应层实现在云中可伸缩和弹性的管理，利用深度学习以及云计算相结合的业务模式，将传统机器学习方法向深度学习推进。

Sep, 2017

从一系列 API 中进行持续学习

本研究提出了一个新颖的无数据合作式继续蒸馏学习框架，通过生成伪数据从一系列 API 中提取知识，并利用网络相似性的新正则化项防止以前 API 的灾难性遗忘。在 DFCL-APIs 设置中，该方法与完整的原始数据上的经典 CL 表现相当，而在 DECL-APIs 设置中，该方法在 CIFAR10、CIFAR100 和 MiniImageNet 上分别达到经典 CL 表现的 0.97 倍、0.75 倍和 0.69 倍。

Aug, 2023

使用预训练模型的现实继续学习方法

我们提出了一个新的连续学习（CL）范式 Realistic Continual Learning（RealCL），其中任务之间的类分布是随机的，不同于结构化设置。同时，我们引入了一个名为 CLARE 的预训练模型解决方案，旨在在保留过去学习的同时整合新知识。通过广泛的实验证明了 CLARE 在各种 RealCL 场景中的有效性和优越性。

Apr, 2024

智慧城市的持续学习：一项综述调查

在数字化的现代城市中，大量的数据和强大的计算资源促进了智能模型的快速更新，持续学习是一种新颖的机器学习范 Paradigm，它不断更新模型以适应不断变化的环境，我们的调查综述了在智能城市开发中广泛使用的持续学习方法，内容包括方法学方面、应用方面和挑战方面。

Apr, 2024

使用预训练模型的不断学习：调查

本文是对基于预训练模型的持续学习最新进展的综合调查，将现有方法分为三组进行分类，提供了它们的相似性、差异性、以及各自的优缺点的比较分析，并通过实证研究对比了各种最先进的方法，以凸显比较中公平性方面的关注点。

Jan, 2024

实践中的持续学习

本文提出了一种自我维护系统的参考架构，可以随着数据的到来不断学习。在数据不断演变的环境中，我们需要管理 ML 模型的架构，在数据分布发生变化、处理异常值、需要重新训练和适应新任务等方面进行自适应。这代表了不断 AutoML 或自适应机器学习。本文描述了这些挑战并提出了参考架构。

Mar, 2019

部署的持续学习系统保证

作者创建了一个新的安全框架，并验证了该框架在动态图像分类中的有效性，该框架可以用于安全地进行自动甲板跟踪，并显著扩展图像分类器的工作范围。

Nov, 2023

塑料人工神经网络综述：探索神经结构搜索和不断学习之间的交汇点

这篇论文是第一篇广泛的综述文章，阐述了人工神经网络、持续学习和自动机器学习之间的交叉领域，并提出了各种方法以促进完全自动化和神经网络的终身可塑性。

Jun, 2022

模式即服务（MaaS）：调查

Model-as-a-Service (MaaS) 是一种新的部署和服务范式，为不同的基于人工智能的模型提供了可扩展和可访问的解决方案，本文综述了 MaaS 的意义、其在各个行业的应用以及未来研究的挑战和问题。

Nov, 2023

人工智能加速云 (ACAI)

提出了一种基于云端的机器学习平台 ACAI，通过实现云端存储、自动资源配置、日志记录和实验追踪等功能，提高了机器学习从业人员的工作效率。在 MNIST 手写数字分类任务上测试了自动资源配置器的效力，并通过实验和访谈研究了系统的可用性。结果显示，自动资源配置器提高了 1.7 倍的速度和 39％的成本降低，并在典型的机器学习应用中减少了 20％的实验时间。

Jan, 2024