📄ArXiv AI•較早收集於 9h
AHC：微控制器持續偵測的元學習壓縮
💡MAML 壓縮持續偵測至 100KB MCU—邊緣 AI 遊戲規則改變者。（38字）
⚡ 30-Second TL;DR
有什麼變化
基於 MAML 的壓縮透過 5 步內迴圈梯度下降適應新任務。
為什麼重要
實現先進持續偵測部署於微小邊緣裝置，降低 IoT AI 記憶體障礙。推進資源匱乏環境下的高效終身學習。
下一步行動
下載 arXiv:2604.09576，並為您的邊緣偵測模型原型製作 AHC 的 MAML 壓縮。
誰應關注：Researchers & Academics
關鍵要點
- •基於 MAML 的壓縮透過 5 步內迴圈梯度下降適應新任務。
- •階層比率：P3 8:1、P4 6.4:1、P5 4:1，匹配 FPN 模式。
- •雙記憶體架構，重要性基礎整合，嚴守 100KB 預算。
- •遺忘界：O(ε√T + 1/√M)，ε 為壓縮誤差、T 任務數、M 記憶體。
- •平均池化特徵重播 + EWC + 蒸餾，勝過微調/EWC/iCaRL。
📰
AI 週報
閱讀本週精選 AI 大事摘要 →
👉相關動態
AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源： ArXiv AI ↗