边缘云创新Lab 边云协同终身学习中多任务定义相关论文发表于ACM数据挖掘顶会ACM CIKM

2022年10月17日，边缘云创新Lab 边云协同终身学习中多任务定义相关论文发表于ACM数据挖掘顶会ACM CIKM 2022

ACM CIKM会议是信息检索和数据挖掘领域顶级学术会议。本届CIKM会议共收到投稿920篇，其中录用论文193篇，录取率仅为20.98%。在如此严格的评审录用流程中，对本论文，ACM CIKM Technical Program Committee 分区主席及评审委员全员表达接收意见（Accept x 2，Weak Accept x1）。本论文《Towards Edge-Cloud Collaborative Machine Learning: a Quality-aware Task Partition Framework》提出任务定义新问题及其框架，为边云协同终身学习领域添砖加瓦。

近年来，为现实世界服务的边云协同任务如雨后春笋逐步涌现，并引起了全世界的关注。然而，由于边缘的数据异构，即便最先进的边云协同机器学习服务仍然不是那么可靠，在边缘通常可以访问混合训练集，该训练集本质上是从基础任务的各种分布中收集的。查找需要从给定数据集显示的此类隐藏任务称为任务定义问题。手动任务定义通常昂贵、不可扩展并存在偏见。因此，边缘云创新Lab的研究者们创新性地提出了质量感知的任务分区（QTP）问题，其中最终任务是根据任务模型的性能定义出的。据我们所知，这项工作首个研究聚焦任务质量的QTP问题。研究者开发了一种多项式时间算法，基于57台真实摄像头数据的案例研究显示了算法的优越性。与STOA基线相比，TFForest的F1分数平均高出9.2%，部署新摄像头时需要的样本减少43.1%。框架的部分代码已开源到KubeEdge-Sedna边云协同终身学习框架。