★華為云邊緣云創(chuàng )新實(shí)驗室 鄭子木 

摘要：由于數據從邊緣產(chǎn)生，將部分機器學(xué)習任務(wù)部署到邊緣已成為必然趨勢。 當機器學(xué)習應用逐步被部署到邊緣，距離用戶(hù)更近、面對更復雜環(huán)境的開(kāi)放世界 場(chǎng)景將從系統和算法兩個(gè)角度普遍、持續地影響邊緣智能應用的精度和運行。借 鑒人類(lèi)的學(xué)習機制，我們已發(fā)表一種邊云協(xié)同終身學(xué)習范式以針對上述開(kāi)放世界 中的邊緣智能問(wèn)題。本文總結了邊云協(xié)同終身學(xué)習在理論走向實(shí)踐過(guò)程中遇到的 三大技術(shù)挑戰：可擴展性、任務(wù)定義和未知任務(wù)，并通過(guò)6個(gè)工業(yè)和園區領(lǐng)域應 用案例分享了相關(guān)技術(shù)探索和經(jīng)驗。 

關(guān)鍵詞：開(kāi)放世界；邊云協(xié)同；終身學(xué)習 

Abstract: As data is increasingly generated at the edge, deploying machine learning tasks at the edge has become an inevitable trend. When machine learning applications are gradually deployed to the edge, open world scenarios that are closer to users and facing more complex environments will generally and continuously affect the accuracy and operation of edge intelligence applications from both system and algorithm perspectives. Drawing on the learning mechanism of humans, we have published an edge-cloud collaborative lifelong learning paradigm to address the abovementioned edge intelligence problems in the open world. This paper summarizes the three major technical challenges currently encountered in the process of edge-cloud collaborative lifelong learning from theory to practice, i.e., scalability issue, task definition issue, and unknown task issue. We also share relevant technical exploration and experience through six industrial and campus case studies. 

Key words: Open world; Edge-cloud collaboration; Lifelong learning 

1　開(kāi)放世界（Open World）問(wèn)題 

1.1　開(kāi)放世界中的邊緣智能 

近十年來(lái)，機器學(xué)習技術(shù)跨越資本市場(chǎng)的多輪高峰 與低谷，持續完成多項技術(shù)突破。比如AlphaGo多次擊 敗人類(lèi)圍棋頂尖選手，AlphaFold預測出98.5%的人類(lèi) 蛋白質(zhì)結構，ChatGPT聊天機器人的對話(huà)質(zhì)量令人驚 艷以至有可能支撐專(zhuān)業(yè)咨詢(xún)和研發(fā)等工作。不可否認， 機器學(xué)習在規則相對明確的封閉環(huán)境內，比如在游戲 中，已經(jīng)展現出媲美甚至超越人類(lèi)的能力，并且在封閉 環(huán)境中出錯的代價(jià)也往往較低。直至今日，這場(chǎng)十年級 別的技術(shù)狂歡時(shí)有中場(chǎng)休息，但并未中止，也絕非曇花 一現。

 然而，在這場(chǎng)閃亮的機器學(xué)習狂歡背后，挑戰也如 影隨形。當機器學(xué)習應用逐步被部署到邊緣，在距離用 戶(hù)更近、面對更多開(kāi)放環(huán)境的邊緣智能場(chǎng)景中，機器學(xué) 習的另一面愈發(fā)難以忽視。近五年的國內外邊側智能設 備異常樣例如圖1所示。 

（1）2017年，雙足機器人標桿Atlas在演示過(guò)程中 失足摔落國際會(huì )議舞臺； 

（2）2018年，U公司、T公司及G公司等頭部公司 的自動(dòng)駕駛系統先后引發(fā)多起傷亡事故； 

（3）2020年，福州中防萬(wàn)寶城導購機器人跌落數 米高的電動(dòng)扶梯并撞倒前方兩位客人； 

（4）2021年，雙足機器人Walker X在世界人工智 能大會(huì )演示過(guò)程中意外摔倒； 

（5）2022年，輪式機器人小蠻驢駛入河南大學(xué)校 園未干水泥地后陷入泥中無(wú)法前行； 

（6）2022年，四足機器人Go 1在遞送飲品時(shí)頻繁 摔跤的視頻在互聯(lián)網(wǎng)上引發(fā)高熱度關(guān)注。 

圖1 近五年的國內外邊側智能設備異常樣例 

1.2　開(kāi)放世界問(wèn)題影響分析 

從上面這一系列案例中我們可以看出，在開(kāi)放世界 中的邊緣智能技術(shù)會(huì )遭遇大量長(cháng)尾應用（Long Tailed Application）或異常案例（Corner Case），這不應 被視為某款產(chǎn)品或服務(wù)設計缺陷的特例，而應被視為邊 緣智能應用的普遍問(wèn)題。開(kāi)放世界問(wèn)題在邊緣智能領(lǐng)域 有兩個(gè)原因，一是邊緣智能呈現需求森林化態(tài)勢，邊側 需求應用場(chǎng)景、硬件、環(huán)境等復雜多樣；二是邊緣智能 領(lǐng)域處于方案摸索期，各業(yè)務(wù)模型乃至平臺的協(xié)作生態(tài) 仍在成長(cháng)，因此導致其在近期相當長(cháng)一段時(shí)間內將持續 普遍存在。

 開(kāi)放世界的長(cháng)尾應用或異常案例有兩大特點(diǎn)，即形 態(tài)多和數據少。其影響分析如下： 

（1）系統性能層面 

數據在邊緣產(chǎn)生，而算力卻在云端更為充足。也就 是說(shuō)，機器學(xué)習服務(wù)在開(kāi)放世界的多樣業(yè)務(wù)和硬件環(huán)境 下，全部在云上處理將難以滿(mǎn)足數據安全合規、服務(wù)離 線(xiàn)自治或實(shí)時(shí)性的要求，全部在邊側處理則得不到云端 在算力、開(kāi)發(fā)環(huán)境、高階服務(wù)和產(chǎn)品生態(tài)上的支持，導 致整體智能服務(wù)質(zhì)量以及研發(fā)、維護和銷(xiāo)售成本都受到 挑戰。 

（2）算法性能層面 

開(kāi)放世界會(huì )從數據異構和小樣本兩個(gè)方面對邊緣智 能相關(guān)應用服務(wù)的正常運行造成影響，并進(jìn)一步引發(fā)災 難性遺忘（Catastrophic Forgetting）問(wèn)題。

圖2 數據異構問(wèn)題：工業(yè)安全帽檢測案例樣本及其精度 （F1-Score） 

數據異構方面，在如圖2所示的安全帽檢測案例 中，邊側智能攝像頭檢測來(lái)往工作人員是否已佩戴安全 帽[1]。從圖中可以看到，不同邊緣設備生成的樣本通常 具有不同的目標大小、背景和視角。從特定邊側數據訓 練的模型用于其它邊側，在數據分布相似時(shí)模型可維持 高精度并成功遷移（如圖2所示，識別精度達到90.56% —94.78%）；而在數據分布差異巨大時(shí)，模型精度將 顯著(zhù)下降并且不能混用（如圖2所示，識別精度相對下 降8.81%—64.33%）。

 圖3 小樣本問(wèn)題：智慧樓宇舒適度預測案例傳感器及 其樣本量 

小樣本方面，在如圖3所示的舒適度預測案例中， 樓宇空調群控系統預測室內人員是否感到熱、冷或舒 適[2]。從圖中可以看到，絕大部分的城市邊側采集樣本 量難以超過(guò)200條，這與傳感器覆蓋、數據傳輸、冷啟 動(dòng)和數據標注成本等問(wèn)題相關(guān)。小樣本將導致模型訓 練無(wú)法收斂，過(guò)少的數據甚至可能導致部分訓練算法 無(wú)法正常啟動(dòng)。

 圖4 災難性遺忘問(wèn)題：智慧樓宇舒適度預測案例

當小樣本和數據異構同時(shí)出現時(shí)，會(huì )誘發(fā)災難性遺 忘問(wèn)題。在圖4的舒適度預測案例中，將室外平均溫度 30℃作為特征值輸入。在第一時(shí)刻，室外模型一開(kāi)始顯 示為“熱”，是正確的預測。在第二時(shí)刻，受測人員從 室外到有空調的室內，實(shí)際上已經(jīng)從熱變冷。由于特征 值沒(méi)有變化，正在運作的室外模型依然會(huì )輸出“熱”， 而這是不正確的。此時(shí)需采集更多數據，將室外模型更 新覆蓋為室內模型以正確預測。但是，當第三時(shí)刻人員 外出時(shí)，更新后的室內模型又再次不正確，需要重新更 新回室外模型。但由于室外模型已經(jīng)被覆蓋丟失，因此 又需要重新采集數據訓練出室外模型，來(lái)覆蓋原有的室 內模型。這種來(lái)回反復的現象，即災難性遺忘問(wèn)題。 

綜合以上案例，從系統和算法兩個(gè)角度我們可以看 到，開(kāi)放世界問(wèn)題將會(huì )普遍、持續地影響邊緣智能應用 的精度和運行。 

2　邊云協(xié)同終身學(xué)習概念、原理及挑戰 

2.1　概念與原理 

針對上述開(kāi)放世界中的邊緣智能問(wèn)題，我們可以從 人類(lèi)的學(xué)習過(guò)程中得到啟發(fā)，并可以看到，人類(lèi)之所以 能夠在開(kāi)放世界中正常工作和生活，是由于每個(gè)人并非 自我封閉地學(xué)習，而是不斷地積累過(guò)去學(xué)習的知識，并 利用其他人的知識，學(xué)習更多知識[3]。借鑒人類(lèi)這種學(xué) 習機制，我們已發(fā)表了在邊緣結合終身學(xué)習的邊云協(xié)同 終身學(xué)習正式定義[4,5]：

 邊云協(xié)同終身學(xué)習（定義）：給定云側知識庫中N 個(gè)歷史訓練任務(wù)，推理持續到來(lái)的當前任務(wù)和未來(lái)M個(gè) 邊側任務(wù)，并持續更新云側知識庫。其中，M趨向于無(wú) 窮大，同時(shí)邊側M個(gè)推理任務(wù)不一定在云側知識庫N個(gè) 歷史訓練任務(wù)當中。

 具體地，邊云協(xié)同終身學(xué)習的基本技術(shù)原理是： （1）系統約束與性能壓力：邊云同架構實(shí)現應用云上 資源，同時(shí)保證數據安全合規與邊緣AI服務(wù)離線(xiàn)自治； （2）數據異構：多任務(wù)遷移學(xué)習為不同分布建立不同 任務(wù)，實(shí)現“千人千面”精準預測；（3）小樣本：未 知任務(wù)增量處理在小樣本下越學(xué)越聰明，逐步實(shí)現AI工 程化與自動(dòng)化；（4）災難性遺忘：借助云側知識庫來(lái) 記憶歷史及新情景知識，避免災難性遺忘。 

2.2　技術(shù)挑戰 

經(jīng)過(guò)近年來(lái)多個(gè)項目的技術(shù)探索和驗證過(guò)程，本文 總結了邊云協(xié)同終身學(xué)習在理論走向實(shí)踐過(guò)程中遇到的 三大技術(shù)挑戰。 

（1）可擴展性挑戰：在開(kāi)放世界中，邊緣智能呈 現需求森林化，相關(guān)場(chǎng)景可覆蓋交通、工業(yè)、能源、航 天、媒體、機器人、園區等10+行業(yè)，進(jìn)一步考慮硬件 和環(huán)境，其模型和算法千差萬(wàn)別。但學(xué)界已有的終身學(xué) 習工作往往依賴(lài)某類(lèi)模型，比如只能用于線(xiàn)性回歸類(lèi)模 型，或只能用于神經(jīng)網(wǎng)絡(luò )類(lèi)模型，甚至只能用于某種特 定的神經(jīng)網(wǎng)絡(luò )模型。高度一體化的耦合設計會(huì )阻礙邊緣 智能方案的規模復制。首先耦合設計會(huì )阻礙邊云協(xié)同的 模塊分配等架構設計工作，更重要的是使在多個(gè)應用甚 至單個(gè)應用內跨場(chǎng)景遷移變得非常困難。在邊云協(xié)同終 身學(xué)習中，整體邊云協(xié)同系統的流程模塊化、算法模型 插件化等可擴展性的考慮是面對邊緣智能需求森林化的 基石。 

（2）任務(wù)定義挑戰：面向開(kāi)放世界的數據異構問(wèn) 題，在云上構建單一模型用于邊側推理的單任務(wù)方法， 包括孤立學(xué)習、單任務(wù)增量學(xué)習、單任務(wù)聯(lián)邦學(xué)習等， 模型更新時(shí)需要覆蓋歷史模型，容易導致災難性遺忘問(wèn) 題，“千人千面”非常困難。而通過(guò)人工定義多個(gè)模型 適配不同邊緣局點(diǎn)的多任務(wù)方法，包括多任務(wù)學(xué)習、多 任務(wù)增量學(xué)習、多任務(wù)聯(lián)邦學(xué)習等，多個(gè)定制化模型構 建與維護需投入人力物力，AI工程化和自動(dòng)化任重道 遠。在邊云協(xié)同終身學(xué)習中，數據集中潛藏任務(wù)的自動(dòng) 化劃分，目標推理樣本的任務(wù)分配等任務(wù)定義的考慮是 面對數據異構和災難性遺忘的前提。 

（3）未知任務(wù)挑戰：面向開(kāi)放世界的數據異構、 小樣本及其災難性遺忘問(wèn)題，邊側環(huán)境復雜多樣，推理 階段所有任務(wù)在訓練階段都完美學(xué)習的封閉假設在邊緣 場(chǎng)景往往并不成立。需要假設邊緣模型運行時(shí)存在未知 任務(wù)，提前對未知任務(wù)進(jìn)行識別，及時(shí)進(jìn)行兜底和更 新，確保相關(guān)服務(wù)魯棒性和可靠性，以期解決開(kāi)放世界 問(wèn)題。

3　KubeEdge-Sedna邊云協(xié)同終身學(xué)習 設計與案例 

2020年12月KubeEdge SIG AI提出的KubeEdgeSedna，如圖5所示，是基于KubeEdge提供的邊云協(xié) 同能力實(shí)現AI的跨邊云協(xié)同訓練和協(xié)同推理，近年來(lái) 在星地協(xié)同衛星、多邊協(xié)同重識別等案例上備受矚目。 KubeEdge-Sedna v0.3版本發(fā)布了業(yè)界首個(gè)邊云協(xié)同 終身學(xué)習開(kāi)源特性。本章從邊云協(xié)同終身學(xué)習三大技術(shù) 挑戰出發(fā)，介紹其相關(guān)設計和案例。 

圖5 KubeEdge-Sedna整體架構

3.1　面對可擴展性挑戰 

KubeEdge-Sedna邊云協(xié)同終身學(xué)習作業(yè)（Lifelong Learning Job）分為三個(gè)階段：訓練、評估和部署，維 護一個(gè)全局可用的知識庫服務(wù)于每個(gè)終身學(xué)習作業(yè)，其 架構如圖6所示。在開(kāi)發(fā)者啟動(dòng)終身學(xué)習作業(yè)后，運作流 程為： 

 圖6 KubeEdge-Sedna邊云協(xié)同終身學(xué)習架構 

（1）Sedna訓練worker基于開(kāi)發(fā)者的基礎模型和訓 練數據集進(jìn)行多任務(wù)遷移學(xué)習，實(shí)現任務(wù)知識歸納并更新 知識庫，其中任務(wù)包括：樣本、模型、模型超參等。 

（2）Sedna訓練完成并對知識庫更新任務(wù)知識 后，啟動(dòng)對評估數據集的評估worker，基于部署者定 義的評估策略，判斷符合策略的任務(wù)模型并下發(fā)部署。 

（3）Global Manager捕獲評估任務(wù)的完成狀態(tài) 后，通知邊緣容器初始化，并在Lifelong推理Worker 中進(jìn)行推理服務(wù)。邊緣節點(diǎn)基于Sedna Lifelong Learning API進(jìn)行未知任務(wù)識別和推理，其中也按配 置策略上傳未知任務(wù)樣本。 

（4）通過(guò)對接第三方打標系統和知識庫的遷移學(xué) 習，Local Controller監聽(tīng)新數據變化，并按配置策略 觸發(fā)訓練worker進(jìn)行增量學(xué)習，然后返回步驟1。

 面對可擴展性挑戰，KubeEdge-Sedna邊云協(xié)同 終身學(xué)習當前已具備以下能力： 

（1）系統模塊化

 · 一體化系統流程已分解為多個(gè)模塊且各模塊具備 明確功能，以便邊云調度。

 · 開(kāi)放模塊配置，所有模塊均提供可跳過(guò)的熱鏈接 功能。 

· 開(kāi)放模塊算法配置，所有模塊均提供在符合模塊 接口下的算法切換功能。 

（2）模型插件化

 · 開(kāi)放Estimator接口，滿(mǎn)足接口的任意類(lèi)別模型 均可接入，并使能終身學(xué)習。 

· 未知任務(wù)識別等模塊內置元模型和樣本遷移，可 自適應學(xué)習接入模型行為。 

（3）場(chǎng)景可擴展

 · 平臺核心與應用程序實(shí)現解耦，不同應用互不干擾。

 · 開(kāi)放基于K8S-CRD的超參數選擇，不同應用可實(shí) 現客制化。 

（4）云原生邊緣計算 

· 受益于K8S、KubeEdge的云原生邊緣計算能 力，便于應用的邊云調度和遷移。 

后續章節也提供基于KubeEdge-Sedna終身學(xué) 習統一架構的多個(gè)不同場(chǎng)景案例，以佐證KubeEdgeSedna邊云協(xié)同終身學(xué)習的可擴展性。 

3.2　面對任務(wù)定義挑戰 

在邊云協(xié)同終身學(xué)習中，數據集中潛藏任務(wù)的自動(dòng)化劃分，目標推理樣本的任務(wù)分配等任務(wù)定義的考 慮是面對數據異構和災難性遺忘的前提。任務(wù)定義相 關(guān)工作主要參與初始化和重訓練，因此歸屬于Lifelong Initial/Re-train Worker的Initial/Re-train模塊中。任 務(wù)定義的輸入是數據集和知識庫內各任務(wù)知識，輸出是 數據集中發(fā)現的任務(wù)集合。 

關(guān)于任務(wù)如何劃分和分配的問(wèn)題，需要確定在一 個(gè)應用內不同項目所需機器學(xué)習模型的數量以及各個(gè) 模型的應用范圍。該問(wèn)題目前通常只能由數據科學(xué)家 和領(lǐng)域專(zhuān)家進(jìn)行人工干預，自動(dòng)化程度低，難以規模 化復制。其自動(dòng)化是一個(gè)懸而未決但又重要的難題。 接下來(lái)本章分享四個(gè)基于KubeEdge-Sedna的工業(yè)和 園區多任務(wù)案例。 

3.2.1　工業(yè)案例 

如圖7所示，基于華為云Hilens服務(wù)的3個(gè)國際都 市中5個(gè)邊緣局點(diǎn)中57個(gè)攝像頭的驗證，用于安全帽檢 測的一種任務(wù)劃分方法（TForest）被提出并發(fā)表在數 據挖掘領(lǐng)域頂級會(huì )議ACM CIKM上[1]。該案例驗證一 種基于森林結構的多任務(wù)定義方法，華為云上也實(shí)現基 于KubeEdge-Sedna的公共服務(wù)HiLens來(lái)支持整個(gè)過(guò) 程。驗證方案與基線(xiàn)相比，F1平均高出9.2%，并且在 部署新攝像頭時(shí)需要的樣本減少43.1%。

 圖7 Hilens安全帽檢測案例 

如圖8所示，基于華為南方工廠(chǎng)6條產(chǎn)線(xiàn)機器連續 三個(gè)月收集的1876種焊盤(pán)（Pad）數據的驗證，用于焊 膏（Solder Paste）異常檢測的一種多任務(wù)遷移學(xué)習方 法（M-MTL）被提出并發(fā)表在人工智能系統領(lǐng)域頂級 期刊ACM TIST上[6]。該案例驗證了一種基于快速聚類(lèi) 算法的多任務(wù)方法，驗證結果表明可以減少81.28%的 誤報，這意味著(zhù)每年節省1130萬(wàn)美元。 

圖8 華為南方工廠(chǎng)錫膏異常檢測案例 

3.2.2　園區案例 

如圖9所示，基于華為2個(gè)大型工業(yè)園區中的8座建 筑物中9臺冷機4個(gè)月運行數據的驗證，用于冷機能效預 測的一種任務(wù)定義算法（MELODY）被提出并發(fā)表在 國際能源領(lǐng)域頂會(huì )ACM e-Energy上[7]。MELODY的關(guān) 鍵思想是使用元數據動(dòng)態(tài)劃分多個(gè)任務(wù)，特別適用于元 數據多樣化但樣本不足的邊側系統。該案例驗證結果表 明MELODY算法優(yōu)于最新預測方法，并能為兩個(gè)園區 每月節省252MWh的電量，較當前建筑中冷水機的運 行方式節省了35％以上的能源。

 圖9 華為深圳園區冷機能效預測案例 

如圖10所示，基于香港金鐘商業(yè)區3座商業(yè)大樓中 17臺冷機4年的運行數據，一種多任務(wù)遷移方法和一種 任務(wù)分配的方法分別被提出和驗證。前者亮點(diǎn)是基于元 數據提取任務(wù)屬性，設計了元數據任務(wù)屬性與樣本任務(wù) 屬性層次結合的多任務(wù)通用AI算法；后者是用于邊緣計算分配任務(wù)的任務(wù)排序算法，以提升性能與服務(wù)質(zhì)量。 該案例驗證結果表明方案節約能源超過(guò)30%，文章相關(guān) 成果分別發(fā)表在人工智能頂級會(huì )議IJCAI與能源頂級會(huì ) 議ACM e-Energy、分布式系統頂級期刊TPDS與頂級 會(huì )議ICDCS上[8-11]。

 圖10 香港金鐘商業(yè)區冷機能效預測案例 

3.3　面對未知任務(wù)挑戰 

前文提及，邊云協(xié)同終身學(xué)習需要假設邊緣模型運 行時(shí)存在未知任務(wù)，并提前對未知任務(wù)進(jìn)行識別，及時(shí) 進(jìn)行兜底和更新，確保相關(guān)服務(wù)魯棒性和可靠性，以期 解決開(kāi)放世界問(wèn)題。該工作也將貫穿整個(gè)邊云協(xié)同終身 學(xué)習流程。下面我們分享兩個(gè)園區相關(guān)案例。 

圖11展示的是一個(gè)基于全球28個(gè)國家99個(gè)城市的 樓宇熱舒適預測案例。在本案例中，我們首次提出一 種通過(guò)學(xué)習元知識和構建元知識庫的方式對熱舒適度 預測模型進(jìn)行終身維護算法（LEON） ，引入元知識 及其運算符來(lái)自動(dòng)發(fā)現生成了哪些模型，何時(shí)應該使 用以及如何更新。該案例驗證結果說(shuō)明，就SMAPE而 言，LEON平均優(yōu)于所有最先進(jìn)的基線(xiàn)30.02%。文章 相關(guān)成果已發(fā)表在能源領(lǐng)域頂級會(huì )議ACM e-Energy 上[2]。 

圖11 KubeEdge-Sedna熱舒適預測案例 

圖12演示案例是在華為云園區部署基于KubeEdgeSedna終身學(xué)習的斜坡檢測模型，來(lái)越過(guò)低矮障礙物， 并讓終身學(xué)習來(lái)應對未知情況，最終實(shí)現智能導航， 可用于機器人遞送或工業(yè)巡檢。案例演示視頻已發(fā)布 于國際開(kāi)源頂會(huì )Open Source Summit Japan 2022、 第一屆云原生邊緣計算學(xué)術(shù)研討會(huì )（KEAW'22） 以及KubeEdge社區公開(kāi)課[12-14]。驗證結果顯示 Corner Case模型精度提升1.78倍，單次遞送時(shí)間減少 28.04%。

圖12 KubeEdge-Sedna云機器人終身學(xué)習案例 

作者簡(jiǎn)介：

 鄭子木（1991-），男，廣東人，主任工程師，博士，現就 職于華為云邊緣云創(chuàng )新實(shí)驗室，KubeEdge SIG AI聯(lián)合創(chuàng )始 人，研究方向為邊緣AI、多任務(wù)學(xué)習及AIoT。

參考文獻： 

[1] Zheng Z, Li Y, Song H, Wang L, Xia F. Towards Edge-Cloud Collaborative Machine Learning: A Quality-aware Task Partition Framework[C]. In Proceedings of the 31st ACM International Conference on Information & Knowledge Management (ACM CIKM' 22) , 2022, 3705 - 3714. 

[2] Zheng Z, Luo P, Li Y, Luo S, Jian J, Huang Z. Towards lifelong thermal comfort prediction with KubeEdge-Sedna: online multi-task learning with metaknowledge base[J]. In Proceedings of ACM e-Energy' 22, 2022, 263 - 276. 

[3] BLiu B. Lifelong machine learning: a paradigm for continuous learning[J]. Frontiers of Computer Science, 2017, 11 (3) : 359 - 361. 

[4] Huawei Cloud Developers. Support edge-cloud collaborative lifelong learning features, KubeEdge sub-project Sedna 0.3.0 version released! [EB/OL]. https://segmentfault.com/a/1190000040132422/en, 2021 - 06 - 07. 

[5] 鄭子木. KubeEdge-Sedna v0.3: 邁向次時(shí)代自動(dòng)定制的AI工程范式[J]. 自動(dòng)化博覽, 2022, 39 (2) , 72 - 75. 

 [6] Zheng Z, Pu J, L, Wang D, Mei X, Zhang S, Dai Q. "Contextual anomaly detection in solder paste inspection with multi-task learning."[J]. ACM Transactions on Intelligent Systems and Technology (TIST) , 2020, 11 (6) : 1 - 17. 

[7] Zheng Z, Xie D, Pu J, Wang F.. Melody: Adaptive task definition of cop prediction with metadata for hvac control and electricity saving[J]. In Proceedings of ACM e-Energy' 20, 2020, 47 - 56. 

[8] Zheng Z, Wang Y, Dai Q, Zheng H, Wang D. "Metadata-driven task relation discovery for multi-task learning."[Z]. In Proceedings of IJCAI (CCF-A) , 2019. 

 [9] Zheng Z, Chen Q, Fan C, Guan N, Vishwanath A, Wang D, Liu F. "Data Driven Chiller Sequencing for Reducing HVAC Electricity Consumption in Commercial Buildings."[C]. In Proceedings of ACM e-Energy, 2018. 

 [10] Zheng Z, Chen Q, Hu C, Wang D, Liu F. "On-edge Multi-task Transfer Learning: Model and Practice with Datadriven Task Allocation."[C]. In Proceedings of IEEE TPDS (CCF-A) , 2019. 

[11] Chen Q, Zheng Z, Hu C, Wang D, Liu F. "Data-driven task allocation for multi-task transfer learning on the edge. "[C]. In Proceedings of IEEE ICDCS (CCF-B) , 2019. 

[12] Luo SQ. From Ground to Space: Cloud-Native Edge Machine-Learning Case Studies with KubeEdge-Sedna[EB/OL]. https://www.youtube.com/watch?v=bIaeWGelsJE, 2022 - 12 - 05. 

 [13] 鄭子木. 邊云協(xié)同終身學(xué)習在智慧園區及工業(yè)領(lǐng)域創(chuàng )新探索及落地[EB/OL]. KEAW'22, https://www.bilibili.com/video/ BV1Me411N7gA/, 2022 - 11 - 17. 

 [14] 鄭子木, 楊浩進(jìn). KubeEdge云原生邊緣計算公開(kāi)課12-邊緣智能進(jìn)階: 適配多樣場(chǎng)景和應對分布式系統[EB/OL]. https://www. bilibili.com/video/BV1W44y1R7uB, 2022 - 12 - 27.

摘自《自動(dòng)化博覽》2023年第2期暨《邊緣計算2023專(zhuān)輯》