面向6G的智能物聯(lián)網(wǎng)關(guān)鍵技術(shù)

Wai CHEN 鮑媛媛

摘要：6G技術(shù)將提供更高的速率、更多的連接，以及更廣的網(wǎng)絡(luò)覆蓋，以滿足在高度動(dòng)態(tài)環(huán)境中的各類應(yīng)用需求。人工智能（AI）是推動(dòng)6G不斷演進(jìn)的核心技術(shù)，而6G也將會(huì)使能一系列需要超低時(shí)延、超高可靠的智能物聯(lián)網(wǎng)應(yīng)用，如未來(lái)智能交通系統(tǒng)、智慧城市等。圍繞智能物聯(lián)網(wǎng)實(shí)際應(yīng)用需求，梳理了智能物聯(lián)網(wǎng)面臨的技術(shù)挑戰(zhàn)，提出智能物聯(lián)網(wǎng)涉及的重要技術(shù)領(lǐng)域，包括新型機(jī)器學(xué)習(xí)范式、物聯(lián)網(wǎng)知識(shí)圖譜技術(shù)、異構(gòu)協(xié)同計(jì)算架構(gòu)等，并對(duì)智能物聯(lián)網(wǎng)的未來(lái)發(fā)展進(jìn)行了展望。

關(guān)鍵詞：6G移動(dòng)通信；智能物聯(lián)網(wǎng)；邊緣智能；機(jī)器學(xué)習(xí)；知識(shí)圖譜；邊緣計(jì)算

Abstract： 6G is expected to bring networking technologies with higher throughput， massive connections， and pervasive coverage in highly-dynamic environments to fulfill diverse application requirements. It is believed that artificial intelligence （AI） will be a central driver in the evolution towards 6G， and 6G will enable a new generation of Internet-of-Intelligent-Things（IoIT） applications that require ultra-low delay and ultra-high reliability， such as future intelligent transport systems （ITS） and smart cities. The technical challenges faced by the IoIT are discussed， and the important technical fields involved in the IoIT are put forward， including the new machine learning paradigm， the knowledge map technology of the Internet of things， and the heterogeneous collaborative computing architecture. The future development of IoIT is also predicted.

Keywords： 6G mobile communication； Internet-of-Intelligent-Things； edge intelligence； machine learning； knowledge map； edge computing

和4G相比，5G通信系統(tǒng)的基于大規(guī)模多輸入多輸出（MIMO）、網(wǎng)絡(luò)切片等關(guān)鍵技術(shù)指標(biāo)有了質(zhì)的飛躍：理論峰值傳輸速度可以達(dá)到10～20 Gbit/s，空口時(shí)延低至1 ms。然而，這些性能指標(biāo)仍無(wú)法完全滿足未來(lái)智慧城市的通信需求，如遠(yuǎn)程醫(yī)療、增強(qiáng)現(xiàn)實(shí)等應(yīng)用均要求空口時(shí)延小于0.1 ms。為了滿足未來(lái)智慧社會(huì)的智能管理、高等級(jí)無(wú)人駕駛等需求，世界各國(guó)競(jìng)相開展6G研究。6G將會(huì)提供更高的速率、更多的連接、更廣闊的網(wǎng)絡(luò)覆蓋。

在6G移動(dòng)通信的眾多場(chǎng)景中，物聯(lián)網(wǎng)是最為核心的應(yīng)用。根據(jù)全球移動(dòng)通信系統(tǒng)聯(lián)盟（GSMA）預(yù)測(cè)，2025年全球網(wǎng)聯(lián)設(shè)備總量將達(dá)到250億臺(tái)，其中和智能制造、智慧辦公樓宇、精細(xì)規(guī)模農(nóng)業(yè)等領(lǐng)域相關(guān)的設(shè)備量將達(dá)到138億臺(tái)，首次超過(guò)消費(fèi)級(jí)物聯(lián)網(wǎng)的設(shè)備量。物聯(lián)網(wǎng)設(shè)備量將會(huì)保持持續(xù)增長(zhǎng)趨勢(shì)。海量的物聯(lián)網(wǎng)設(shè)備量和巨大的系統(tǒng)規(guī)模都決定了未來(lái)智能物聯(lián)網(wǎng)應(yīng)用的終極形態(tài)是完全自主化的。傳統(tǒng)物聯(lián)網(wǎng)應(yīng)用形式大多都是狀態(tài)監(jiān)測(cè)、遠(yuǎn)程控制類的具有單一功能的產(chǎn)品，應(yīng)用范圍受限，智能程度低；而未來(lái)智能物聯(lián)網(wǎng)的應(yīng)用形式應(yīng)該會(huì)是多功能集成的物聯(lián)網(wǎng)平臺(tái)式產(chǎn)品，智能程度高，并可對(duì)物聯(lián)網(wǎng)系統(tǒng)進(jìn)行實(shí)時(shí)監(jiān)測(cè)，能夠在開放的環(huán)境中持續(xù)學(xué)習(xí)、進(jìn)化，不斷滿足用戶個(gè)性化的需求，提升服務(wù)質(zhì)量，具體如圖1所示。也就是說(shuō)，在連接的基礎(chǔ)上，未來(lái)物聯(lián)網(wǎng)將更強(qiáng)調(diào)網(wǎng)聯(lián)設(shè)備的智能，將會(huì)實(shí)現(xiàn)從傳統(tǒng)物聯(lián)網(wǎng)向智能物聯(lián)網(wǎng)的演進(jìn)，極大地拓寬物聯(lián)網(wǎng)的應(yīng)用范圍。

智能物聯(lián)網(wǎng)具有智能化、自主化和共享化的特征。物聯(lián)網(wǎng)的智能化體現(xiàn)在：（1）節(jié)點(diǎn)有更強(qiáng)的感知能力；（2）能夠?qū)崟r(shí)處理多種類型的數(shù)據(jù)；（3）具有更快的處理速度和更高層次的理解能力；（4）通過(guò)節(jié)點(diǎn)交互創(chuàng)造出更多的應(yīng)用場(chǎng)景。物聯(lián)網(wǎng)的自主化體現(xiàn)在：在無(wú)人值守的應(yīng)用環(huán)境中，具備極強(qiáng)的環(huán)境適應(yīng)能力和自我管理能力，可以依據(jù)現(xiàn)有環(huán)境進(jìn)行自組織和自重構(gòu)，主動(dòng)處理環(huán)境中節(jié)點(diǎn)的故障、移動(dòng)及迭代升級(jí)等動(dòng)態(tài)變化，并學(xué)習(xí)服務(wù)對(duì)象的個(gè)性化特征。物聯(lián)網(wǎng)的共享化體現(xiàn)在：不僅能夠?qū)崿F(xiàn)節(jié)點(diǎn)間綜合資源的共享，包括數(shù)據(jù)、知識(shí)、算力、通信、電力資源等，使物聯(lián)網(wǎng)能及時(shí)處理更大規(guī)模的數(shù)據(jù)和更加復(fù)雜的任務(wù)，還可以通過(guò)資源共享來(lái)增強(qiáng)物聯(lián)網(wǎng)的容錯(cuò)性，使任務(wù)處理變得更加可靠。

目前，云側(cè)智能是物聯(lián)網(wǎng)智能化的主要實(shí)現(xiàn)方式，但仍存在3個(gè)問題：（1）傳輸時(shí)延較長(zhǎng)。云側(cè)智能將數(shù)據(jù)傳輸、匯總至集中式云計(jì)算中心以進(jìn)行集群計(jì)算，這會(huì)造成較高的網(wǎng)絡(luò)延遲，因此難以滿足對(duì)實(shí)時(shí)性要求較高（10 ms以內(nèi)）的計(jì)算任務(wù)和應(yīng)用需求。（2）帶寬占用較多。大規(guī)模原始數(shù)據(jù)上傳至云計(jì)算中心需要占用大量帶寬資源，這給有限的傳輸帶寬帶來(lái)巨大壓力。（3）存在數(shù)據(jù)隱私風(fēng)險(xiǎn)和安全問題。在數(shù)據(jù)傳輸?shù)倪^(guò)程中，用戶隱私數(shù)據(jù)有可能會(huì)被泄露，同時(shí)云端服務(wù)器上隱私數(shù)據(jù)也存在安全隱患。云側(cè)智能方式并不適用于機(jī)會(huì)性、分布式、異構(gòu)的未來(lái)物聯(lián)網(wǎng)環(huán)境，因此邊緣智能應(yīng)運(yùn)而生。

邊緣智能是指將智能下沉至數(shù)據(jù)近端設(shè)備，在定制化硬件上而不是云計(jì)算中心部署人工智能算法。邊緣智能具有如下優(yōu)勢(shì)：（1）從根本上解決數(shù)據(jù)隱私問題。用戶隱私數(shù)據(jù)無(wú)須上傳至公用云服務(wù)器，上傳至邊緣智能節(jié)點(diǎn)即可，這從根本上保護(hù)了數(shù)據(jù)隱私和數(shù)據(jù)安全。（2）縮短響應(yīng)時(shí)間，提升處理效率。專用的邊緣智能節(jié)點(diǎn)離數(shù)據(jù)產(chǎn)生端更近，極大地縮短數(shù)據(jù)的傳輸時(shí)延，同時(shí)個(gè)性化的算法能夠提升數(shù)據(jù)處理效率。因此，相對(duì)于云側(cè)智能，未來(lái)智能物聯(lián)網(wǎng)的實(shí)現(xiàn)方式將更多的智能下沉至邊緣側(cè)，依賴于邊緣智能技術(shù)來(lái)更好地推動(dòng)智能物聯(lián)網(wǎng)的實(shí)現(xiàn)。

1 智能物聯(lián)網(wǎng)的技術(shù)挑戰(zhàn)

傳統(tǒng)機(jī)器學(xué)習(xí)范式不足以支撐智能物聯(lián)網(wǎng)應(yīng)用的實(shí)現(xiàn)。目前的物聯(lián)網(wǎng)應(yīng)用大多基于局限性較大的傳統(tǒng)機(jī)器學(xué)習(xí)范式，這存在如下問題：（1）在模型構(gòu)建方面，通常需要大量的標(biāo)注數(shù)據(jù)進(jìn)行支撐，如果訓(xùn)練數(shù)據(jù)數(shù)量不足模型就無(wú)法得到充分訓(xùn)練，從而出現(xiàn)過(guò)擬合、泛化能力差的問題，嚴(yán)重影響準(zhǔn)確率；（2）模型可解釋性差，未來(lái)設(shè)備代替人類做決策，難以解釋的推理過(guò)程容易產(chǎn)生不可預(yù)估的結(jié)果，且難以獲得用戶的信任；（3）在模型推理方面，深度學(xué)習(xí)需要進(jìn)行大量的浮點(diǎn)運(yùn)算，電能消耗量大，嚴(yán)重縮短受限設(shè)備的待機(jī)時(shí)間；（4）模型環(huán)境適應(yīng)性差，封閉靜態(tài)環(huán)境下獲取的感知能力無(wú)法應(yīng)對(duì)多樣復(fù)雜的實(shí)際環(huán)境，尤其在訓(xùn)練假設(shè)未覆蓋的數(shù)據(jù)空間，原模型容易造成漏判和錯(cuò)判，無(wú)法滿足應(yīng)用要求。

傳統(tǒng)知識(shí)圖譜技術(shù)不能滿足智能物聯(lián)網(wǎng)的要求。知識(shí)的完備性、先進(jìn)性和準(zhǔn)確性直接決定智能化水平，而智能物聯(lián)網(wǎng)目標(biāo)是實(shí)現(xiàn)自主決策。知識(shí)圖譜在提高物聯(lián)網(wǎng)智能化方面發(fā)揮了重要作用，但傳統(tǒng)知識(shí)圖譜技術(shù)存在如下問題：（1）物聯(lián)網(wǎng)場(chǎng)景的個(gè)性化特征顯著，知識(shí)更新速度快，因此，目前基于知識(shí)和經(jīng)驗(yàn)的手工構(gòu)建圖譜的方式無(wú)法滿足智能物聯(lián)網(wǎng)自主決策的需求；（2）現(xiàn)階段物聯(lián)網(wǎng)中的知識(shí)圖譜普遍為靜態(tài)知識(shí)圖譜，而物聯(lián)網(wǎng)場(chǎng)景是隨時(shí)間變化的，這就要求知識(shí)圖譜必須持續(xù)更新才能避免知識(shí)失效；（3）與互聯(lián)網(wǎng)中知識(shí)圖譜主要用于輔助檢索不同，物聯(lián)網(wǎng)知識(shí)圖譜最大的價(jià)值在于指導(dǎo)設(shè)備的智能交互，這對(duì)知識(shí)的準(zhǔn)確性要求更高，需要建立一套可信性評(píng)價(jià)機(jī)制來(lái)過(guò)濾圖譜中的錯(cuò)誤知識(shí)。

傳統(tǒng)計(jì)算架構(gòu)不能滿足智能物聯(lián)網(wǎng)的需求。以云計(jì)算為代表的傳統(tǒng)計(jì)算架構(gòu)盡管可以滿足計(jì)算密集型的深度學(xué)習(xí)任務(wù)對(duì)算力和存儲(chǔ)資源的需求，但并不適用于對(duì)時(shí)延、可靠性、隱私等較為敏感的物聯(lián)網(wǎng)場(chǎng)景：（1）在計(jì)算模式方面，傳統(tǒng)計(jì)算架構(gòu)和云計(jì)算需要用戶將大量數(shù)據(jù)傳輸至數(shù)據(jù)中心。這種集中式計(jì)算模式依賴于網(wǎng)絡(luò)連接，產(chǎn)生的時(shí)延較高，且存在安全隱患。而無(wú)人車、實(shí)時(shí)語(yǔ)音翻譯等對(duì)響應(yīng)時(shí)間有極高要求的應(yīng)用，更傾向于將計(jì)算能力部署在離數(shù)據(jù)源更近的位置。這樣可以產(chǎn)生更快的網(wǎng)絡(luò)響應(yīng)，滿足行業(yè)在實(shí)時(shí)業(yè)務(wù)、應(yīng)用智能、安全隱私等方面的需求。（2）在計(jì)算資源虛擬化方面，多設(shè)備的接入帶來(lái)了大量的計(jì)算資源和存儲(chǔ)資源，但接入物聯(lián)網(wǎng)的設(shè)備往往是異構(gòu)的、空間相互獨(dú)立且處于動(dòng)態(tài)變化中的。這會(huì)造成閑散資源不能被及時(shí)發(fā)現(xiàn)與利用，從而帶來(lái)資源使用效率較低、業(yè)務(wù)服務(wù)質(zhì)量較差、設(shè)備運(yùn)營(yíng)維護(hù)成本較高等問題。（3）在計(jì)算任務(wù)分配方面，當(dāng)前任務(wù)分配策略主要基于一些貪婪啟發(fā)式方法，存在任務(wù)切分粒度過(guò)大、不能自適應(yīng)調(diào)整、難以與底層異構(gòu)資源最優(yōu)匹配等問題，無(wú)法滿足應(yīng)用任務(wù)豐富、動(dòng)態(tài)變化的物聯(lián)網(wǎng)應(yīng)用場(chǎng)景。

2 智能物聯(lián)網(wǎng)重點(diǎn)研究領(lǐng)域

在未來(lái)智能物聯(lián)網(wǎng)的場(chǎng)景中，物聯(lián)網(wǎng)設(shè)備需要智能地與外部環(huán)境進(jìn)行交互，實(shí)時(shí)監(jiān)測(cè)外部環(huán)境變化，在開放的環(huán)境中持續(xù)學(xué)習(xí)、進(jìn)化，以不斷滿足用戶個(gè)性化的需求，提升服務(wù)質(zhì)量，從而對(duì)外部環(huán)境變化做出自主、智能地反饋。面對(duì)未來(lái)智能物聯(lián)網(wǎng)的挑戰(zhàn)，學(xué)習(xí)引擎需要對(duì)感知到的實(shí)時(shí)數(shù)據(jù)進(jìn)行分析，以完成對(duì)環(huán)境狀態(tài)的認(rèn)知；決策引擎需要在已積累知識(shí)的基礎(chǔ)上實(shí)現(xiàn)推理、預(yù)測(cè)等。學(xué)習(xí)引擎和決策引擎的實(shí)現(xiàn)需要異構(gòu)協(xié)同計(jì)算架構(gòu)的支撐，具體如圖2所示。傳統(tǒng)機(jī)器學(xué)習(xí)范式、知識(shí)圖譜技術(shù)、計(jì)算架構(gòu)不足以支撐智能物聯(lián)網(wǎng)場(chǎng)景中的應(yīng)用服務(wù)，因此需要新型機(jī)器學(xué)習(xí)、物聯(lián)網(wǎng)知識(shí)圖譜、異構(gòu)協(xié)同計(jì)算架構(gòu)等核心技術(shù)的支撐。

2.1 新型機(jī)器學(xué)習(xí)范式

智能物聯(lián)網(wǎng)應(yīng)用的實(shí)現(xiàn)需要基于新型學(xué)習(xí)范式，而新型學(xué)習(xí)范式需要滿足以下幾方面：（1）能夠在小樣本數(shù)據(jù)的情況下快速完成模型構(gòu)建；（2）構(gòu)建的模型具有可解釋性，能夠說(shuō)明輸出的合理性和安全性；（3）能夠在計(jì)算資源、存儲(chǔ)資源、能量受限的物聯(lián)網(wǎng)設(shè)備上實(shí)現(xiàn)快速模型推理；（4）能夠在數(shù)據(jù)分布、數(shù)據(jù)類別、外部環(huán)境等發(fā)生變化時(shí)，快速適應(yīng)環(huán)境并實(shí)現(xiàn)模型更新調(diào)整，維持穩(wěn)定的性能。

2.1.1 模型構(gòu)建

（1）小樣本學(xué)習(xí)。借鑒人類從少量標(biāo)簽數(shù)據(jù)、無(wú)標(biāo)簽數(shù)據(jù)中快速學(xué)習(xí)的能力，小樣本學(xué)習(xí)能夠基于少量樣本建立較強(qiáng)泛化性模型。多倫多大學(xué)提出一種用于小樣本學(xué)習(xí)的原型網(wǎng)絡(luò)，利用淺層神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)特征空間到原型空間的非線性映射，并基于原型空間中的距離函數(shù)實(shí)現(xiàn)小樣本學(xué)習(xí)[1]；文獻(xiàn)[2]提出基于元學(xué)習(xí)的小樣本學(xué)習(xí)方法，利用一個(gè)不依賴模型結(jié)構(gòu)的元學(xué)習(xí)器，通過(guò)在多個(gè)相關(guān)任務(wù)上的迭代訓(xùn)練得到泛化能力強(qiáng)的模型，實(shí)現(xiàn)小樣本學(xué)習(xí)；文獻(xiàn)[3]提出通過(guò)生成式對(duì)抗網(wǎng)絡(luò)生成新樣本，實(shí)現(xiàn)數(shù)據(jù)增強(qiáng)，解決小樣本的生成和分類問題。

（2）協(xié)作學(xué)習(xí)。協(xié)作學(xué)習(xí)通過(guò)設(shè)備與設(shè)備間的知識(shí)遷移，實(shí)現(xiàn)任務(wù)模型在無(wú)人干預(yù)時(shí)的自主重建。根據(jù)傳遞知識(shí)的類型，協(xié)作學(xué)習(xí)方法分為基于模型參數(shù)遷移、特征表示遷移和標(biāo)簽分布遷移3種機(jī)制。S. A. ROKNI等[4]基于模型參數(shù)遷移提出一種動(dòng)態(tài)環(huán)境下的自動(dòng)學(xué)習(xí)方法，通過(guò)對(duì)齊源領(lǐng)域和目標(biāo)領(lǐng)域的輸入空間，使原來(lái)的協(xié)作模型可以被直接復(fù)用；A. AKBARI等[5]基于特征遷移提出一種表示特征提取方法，將源領(lǐng)域中優(yōu)秀的特征遷移到目標(biāo)領(lǐng)域，從而省去特征學(xué)習(xí)過(guò)程；S. A. ROKNI等[6]提出基于標(biāo)簽修正的標(biāo)簽分布遷移方法，通過(guò)遷移學(xué)習(xí)方法實(shí)現(xiàn)自動(dòng)化數(shù)據(jù)標(biāo)注，但這種方法會(huì)存在源模型預(yù)測(cè)失誤、傳播機(jī)制缺陷等負(fù)傳播問題。隨后，樣本選擇[7]和蒸餾學(xué)習(xí)[8]等改進(jìn)方法被相繼提出，以提升目標(biāo)模型的準(zhǔn)確率和訓(xùn)練效率。目前在協(xié)作學(xué)習(xí)的研究中，參與協(xié)作的設(shè)備需要具有完全一致的任務(wù)目標(biāo)，但實(shí)際物聯(lián)網(wǎng)中設(shè)備的任務(wù)可能部分重合或互相補(bǔ)充。這就需要更復(fù)雜的協(xié)作機(jī)制，使物聯(lián)網(wǎng)在獲取動(dòng)態(tài)多樣化的設(shè)備信息后，能夠自主獲取高層次的感知能力，以提供穩(wěn)定可靠的應(yīng)用服務(wù)。

（3）知識(shí)驅(qū)動(dòng)型學(xué)習(xí)。知識(shí)驅(qū)動(dòng)型學(xué)習(xí)利用人類已掌握的先驗(yàn)知識(shí)，如科學(xué)規(guī)律、領(lǐng)域常識(shí)、語(yǔ)義嵌入、知識(shí)圖譜、不確定性分析等，實(shí)現(xiàn)對(duì)數(shù)據(jù)驅(qū)動(dòng)模型的特征空間、參數(shù)空間及輸出空間的約束，加快模型的訓(xùn)練過(guò)程，降低訓(xùn)練樣本需求，減少潛在違反常識(shí)的決策結(jié)果。S. RUSSELL等[9]提出利用自由落體公式、速度公式等物理定律，以及人為制定規(guī)則代替訓(xùn)練數(shù)據(jù)的方法，直接約束監(jiān)督神經(jīng)網(wǎng)絡(luò)的輸出空間；FANG Y.等提出一種基于知識(shí)圖譜的目標(biāo)檢測(cè)方法[10]，利用知識(shí)圖譜修正模型的損失函數(shù)，結(jié)合圖像特征和語(yǔ)義一致性提升目標(biāo)檢測(cè)準(zhǔn)確率；WANG X.等提出一種基于語(yǔ)義嵌入和知識(shí)圖譜的零樣本學(xué)習(xí)方法[11]，在不增加訓(xùn)練樣本的情況下，基于知識(shí)圖譜和語(yǔ)義嵌入知識(shí)，以已知類別的模型實(shí)現(xiàn)對(duì)未知類別模型的表征，實(shí)現(xiàn)新任務(wù)模型構(gòu)建。

2.1.2 模型推理

（1）模型壓縮。在模型準(zhǔn)確率損失可接受的前提下，模型壓縮通過(guò)減少神經(jīng)網(wǎng)絡(luò)中冗余參數(shù)、精簡(jiǎn)網(wǎng)絡(luò)結(jié)構(gòu)等方法，實(shí)現(xiàn)對(duì)模型尺寸的壓縮以及推理計(jì)算的加速，進(jìn)而降低深度學(xué)習(xí)模型物聯(lián)網(wǎng)終端側(cè)部署的門檻。HE Y.等[12]尋找卷積核中若干的幾何中位數(shù)點(diǎn)，并以此為樣本中心修剪鄰域內(nèi)的卷積核；WAN D. W.等[13]通過(guò)對(duì)權(quán)重的二值化與輸入的三值化處理，大幅壓縮模型尺寸，同時(shí)通過(guò)采用位運(yùn)算進(jìn)一步提高計(jì)算效率；TAN M. X.等[14]提出神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索技術(shù)，通過(guò)優(yōu)化網(wǎng)絡(luò)架構(gòu)空間，引入終端內(nèi)存壓力、計(jì)算時(shí)延至模型優(yōu)化過(guò)程，實(shí)現(xiàn)自主輕量化神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)。未來(lái)的研究將會(huì)聚焦于整合已驗(yàn)證的有效技術(shù)、將多種技術(shù)人工或自動(dòng)地組合成一個(gè)整體，以實(shí)現(xiàn)更高效的模型壓縮結(jié)果。現(xiàn)有的模型壓縮研究也會(huì)更快地下沉至生產(chǎn)過(guò)程中。另外，之后也會(huì)有更多針對(duì)特定場(chǎng)景、特定任務(wù)的模型壓縮研究成果。

（2）持續(xù)學(xué)習(xí)。持續(xù)學(xué)習(xí)是一種能夠克服傳統(tǒng)機(jī)器學(xué)習(xí)中“災(zāi)難性遺忘”的問題（指一旦使用新的數(shù)據(jù)集去訓(xùn)練已有的模型，該模型將會(huì)失去對(duì)原數(shù)據(jù)集識(shí)別的能力），且在新環(huán)境中能夠不斷吸收新知識(shí)、保留舊知識(shí)的學(xué)習(xí)機(jī)制。2017年LI Z. Z.和D. HOIEM提出了一種不需要舊數(shù)據(jù)就能完成持續(xù)學(xué)習(xí)的方法[15]。該算法中，部分新類樣本首先利用舊模型打上舊類數(shù)據(jù)的偽標(biāo)簽，然后和新樣本數(shù)據(jù)一起訓(xùn)練以實(shí)現(xiàn)模型的持續(xù)更新。S. A. REBUFFI等[16]在同年提出了一種經(jīng)典的iCaRL持續(xù)學(xué)習(xí)算法，將特征學(xué)習(xí)與分類器解耦，并借助樣本點(diǎn)集和知識(shí)蒸餾等方式完成模型的持續(xù)學(xué)習(xí)。多倫多大學(xué)提出了一種基于注意力機(jī)制的類增小樣本學(xué)習(xí)方法[17]，在持續(xù)學(xué)習(xí)階段引入注意力機(jī)制，并設(shè)計(jì)了一種基于注意力吸引因子的網(wǎng)絡(luò)結(jié)構(gòu)，利用元學(xué)習(xí)思想，在不需要舊類數(shù)據(jù)的前提下，實(shí)現(xiàn)了基于小樣本新類數(shù)據(jù)的持續(xù)學(xué)習(xí)。TAO X. Y.等[18]提出了一種基于小樣本的類增學(xué)習(xí)方法，基于神經(jīng)氣體網(wǎng)絡(luò)和拓?fù)浣Y(jié)構(gòu)，實(shí)現(xiàn)無(wú)需大量樣本的新類學(xué)習(xí)。當(dāng)前的持續(xù)學(xué)習(xí)技術(shù)大部分是指多任務(wù)類增學(xué)習(xí)，即通過(guò)使已學(xué)習(xí)的舊類樣本在新類訓(xùn)練中不再出現(xiàn)，來(lái)檢驗(yàn)?zāi)Ｐ蛯?duì)抗遺忘的能力。在實(shí)際應(yīng)用中，新、舊類別的樣本是交叉出現(xiàn)的，模型應(yīng)在避免遺忘的基礎(chǔ)上，具有自我鞏固的能力。

2.2 物聯(lián)網(wǎng)知識(shí)圖譜

在智能物聯(lián)網(wǎng)中，設(shè)備將不再局限于被動(dòng)接受控制，而是像人一樣能夠基于數(shù)據(jù)進(jìn)行自動(dòng)化的場(chǎng)景分析、數(shù)據(jù)處理和系統(tǒng)配置，依據(jù)掌握的知識(shí)智能地發(fā)起與其他設(shè)備的交互，通過(guò)彼此間的協(xié)作完成復(fù)雜的場(chǎng)景任務(wù)。為了實(shí)現(xiàn)這個(gè)要求，除了賦予設(shè)備自學(xué)習(xí)能力外，還需要設(shè)備能夠像人的大腦一樣對(duì)知識(shí)進(jìn)行表達(dá)和存儲(chǔ)。知識(shí)圖譜作為推動(dòng)人工智能發(fā)展的核心驅(qū)動(dòng)技術(shù)之一，提供了一種從海量數(shù)據(jù)中抽取結(jié)構(gòu)化知識(shí)并利用圖分析進(jìn)行關(guān)系挖掘的手段[19]。知識(shí)圖譜可以對(duì)知識(shí)進(jìn)行有效組織，為設(shè)備的智能協(xié)作提供一個(gè)共同的知識(shí)模型，從而實(shí)現(xiàn)設(shè)備之間知識(shí)共享和語(yǔ)義互通，最終支持設(shè)備的智能思考與自主決策。

2.2.1 知識(shí)圖譜自動(dòng)化構(gòu)建

針對(duì)現(xiàn)有知識(shí)圖譜構(gòu)建技術(shù)普遍存在的效率低、限制多、拓展性差等問題，一些學(xué)者已經(jīng)嘗試通過(guò)自然語(yǔ)言處理技術(shù)自動(dòng)地從多模態(tài)的異構(gòu)數(shù)據(jù)中提取出實(shí)體、屬性以及實(shí)體間的相互關(guān)系，在此基礎(chǔ)上形成網(wǎng)絡(luò)化的知識(shí)表達(dá)并完成知識(shí)圖譜的構(gòu)建。碎片化的農(nóng)業(yè)百科數(shù)據(jù)能夠自動(dòng)識(shí)別農(nóng)業(yè)領(lǐng)域?qū)嶓w，并抽取出城市與氣候的影響關(guān)系、氣候與植物的種植關(guān)系等三元組關(guān)系。CHEN Y. Z.等[20]構(gòu)建面向智慧農(nóng)業(yè)的知識(shí)圖譜及其應(yīng)用系統(tǒng)，支撐農(nóng)業(yè)領(lǐng)域的信息檢索、智能問答、輔助決策等應(yīng)用。LI L. F.等[21]以大規(guī)模電子病歷為數(shù)據(jù)源，利用命名實(shí)體識(shí)別、實(shí)體關(guān)系抽取和圖嵌入等技術(shù)自動(dòng)化地構(gòu)建醫(yī)療知識(shí)圖譜，將其應(yīng)用于智能問診、病歷質(zhì)量評(píng)估、醫(yī)生診療輔助等智慧醫(yī)療應(yīng)用。該圖譜包含疾病、癥狀等9個(gè)類別的22 508個(gè)實(shí)體，以及579 094 條實(shí)體關(guān)系。劉瑞宏等[22]以結(jié)構(gòu)化、半結(jié)構(gòu)化的網(wǎng)絡(luò)數(shù)據(jù)和非結(jié)構(gòu)化的產(chǎn)品文檔、故障案例文檔等為數(shù)據(jù)源，構(gòu)建電信領(lǐng)域知識(shí)圖譜，將電信網(wǎng)絡(luò)領(lǐng)域零散的專家經(jīng)驗(yàn)及產(chǎn)品、案例知識(shí)和故障數(shù)據(jù)有效關(guān)聯(lián)，并應(yīng)用知識(shí)圖譜推理技術(shù)，進(jìn)行網(wǎng)絡(luò)故障智能診斷，輔助解決網(wǎng)絡(luò)運(yùn)維領(lǐng)域的故障問題。

2.2.2 知識(shí)圖譜持續(xù)更新

靜態(tài)知識(shí)圖譜缺乏持續(xù)更新能力，無(wú)法為動(dòng)態(tài)改變的場(chǎng)景提供準(zhǔn)確的知識(shí)推理。針對(duì)此問題，研究者嘗試將知識(shí)圖譜與時(shí)間信息關(guān)聯(lián)，形成隨時(shí)間動(dòng)態(tài)更新的語(yǔ)義網(wǎng)絡(luò)，以提升知識(shí)的先進(jìn)性。YOU S. J.等[23]通過(guò)向知識(shí)圖譜的三元組中增加時(shí)間維度信息，將靜態(tài)知識(shí)圖譜升級(jí)為動(dòng)態(tài)時(shí)序知識(shí)圖譜，并結(jié)合長(zhǎng)短期記憶（LSTM）神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)智能家居中用戶動(dòng)態(tài)變化的行為習(xí)慣，以進(jìn)一步預(yù)測(cè)物聯(lián)網(wǎng)設(shè)備狀態(tài)的變化，指導(dǎo)設(shè)備的自主決策。基于電子病歷構(gòu)建臨床領(lǐng)域時(shí)序知識(shí)圖譜，陳德華等[24]通過(guò)對(duì)實(shí)例和關(guān)系進(jìn)行序列化擴(kuò)展，得到一定時(shí)間段內(nèi)按照時(shí)間排序的三元組列表，來(lái)表達(dá)病程發(fā)展隨時(shí)間變化的時(shí)序特性，還結(jié)合LSTM序列學(xué)習(xí)技術(shù)預(yù)測(cè)時(shí)序圖譜中實(shí)體之間的鏈接，以支撐疾病的診斷和并發(fā)癥的挖掘等應(yīng)用。

2.2.3 知識(shí)圖譜可信性驗(yàn)證

知識(shí)圖譜可信性驗(yàn)證是對(duì)知識(shí)圖譜中每個(gè)三元組所表達(dá)知識(shí)的可信程度進(jìn)行評(píng)估，以提高知識(shí)圖譜表達(dá)精度。以TransE[25]為代表的知識(shí)圖譜向量化表示模型的提出，為更多知識(shí)圖譜的研究和應(yīng)用創(chuàng)造了條件。一些研究者嘗試將知識(shí)可信性評(píng)估嵌入知識(shí)圖譜實(shí)體和關(guān)系的向量學(xué)習(xí)過(guò)程中，以提升知識(shí)圖譜節(jié)點(diǎn)和關(guān)系向量表征精度，并在此基礎(chǔ)上獲得圖譜中每個(gè)三元組的置信度評(píng)分。XIE R. B.等[26]提出一種基于置信度的知識(shí)表示學(xué)習(xí)算法，該模型在TransE的目標(biāo)函數(shù)中增加了三元組的置信度評(píng)分，并且在訓(xùn)練的過(guò)程中利用實(shí)體與實(shí)體之間的所有路徑信息，動(dòng)態(tài)地學(xué)習(xí)三元組的置信度以及實(shí)體和關(guān)系的向量表示，以進(jìn)一步發(fā)現(xiàn)知識(shí)圖譜中潛在的錯(cuò)誤知識(shí)。JIA S. B.等[27]提出了一種知識(shí)圖譜置信度評(píng)估模型，增加了基于實(shí)體初度、入度、路徑深度等信息計(jì)算的實(shí)體關(guān)聯(lián)強(qiáng)度，將實(shí)體關(guān)聯(lián)強(qiáng)度與基于路徑信息計(jì)算的可信度值聯(lián)合輸入至交叉熵的神經(jīng)網(wǎng)絡(luò)中進(jìn)行融合，得到三元組可信性的綜合評(píng)價(jià)值。ZHAO Y.等[28]利用知識(shí)圖譜中的實(shí)體類型信息以及實(shí)體描述信息分別計(jì)算三元組置信度值，通過(guò)對(duì)兩者進(jìn)行加權(quán)，最終得到三元組整體的置信度。

2.3 異構(gòu)協(xié)同計(jì)算

異構(gòu)協(xié)同計(jì)算聚焦于利用邊緣側(cè)異構(gòu)計(jì)算資源執(zhí)行深度學(xué)習(xí)任務(wù)，具體包含3個(gè)關(guān)鍵技術(shù)：異構(gòu)協(xié)同計(jì)算架構(gòu)模式、資源虛擬化技術(shù)，以及異構(gòu)資源圖與任務(wù)圖智能匹配的資源分配機(jī)制。

2.3.1 異構(gòu)協(xié)同計(jì)算架構(gòu)

異構(gòu)協(xié)同計(jì)算架構(gòu)主要包括中心化架構(gòu)、去中心化架構(gòu)、混合模式。中心化架構(gòu)即以邊服務(wù)器為中心執(zhí)行深度學(xué)習(xí)任務(wù)，將邊緣數(shù)據(jù)中心作為數(shù)據(jù)生產(chǎn)者和消費(fèi)者的中繼。應(yīng)用服務(wù)可以直接在邊緣完成響應(yīng)，并返回終端設(shè)備[29]。去中心化架構(gòu)即通過(guò)設(shè)備協(xié)作訓(xùn)練模型自組網(wǎng)，借助區(qū)塊鏈技術(shù)為邊緣計(jì)算提供新的可信計(jì)算范式。區(qū)塊鏈技術(shù)一方面可以評(píng)估邊緣服務(wù)器平臺(tái)的安全，另一方面可以通過(guò)白名單、數(shù)字證書等進(jìn)行服務(wù)安全性驗(yàn)證，最終確保終端可從安全的去中心化邊緣服務(wù)端獲取安全的服務(wù)[30]。混合模式即包括端邊、邊云、端邊云等在內(nèi)的多種協(xié)作模式。該模式的網(wǎng)絡(luò)層級(jí)一般可以分為終端層、邊緣計(jì)算層、云計(jì)算層。其中，終端層主要完成各種物聯(lián)網(wǎng)設(shè)備原始數(shù)據(jù)收集及上報(bào)；邊緣計(jì)算層分布在終端設(shè)備與計(jì)算中心之間，可以是智能終端設(shè)備本身也可以被部署在網(wǎng)絡(luò)連接中；云計(jì)算層仍然是最強(qiáng)大的數(shù)據(jù)處理中心，它可以完成邊緣計(jì)算層無(wú)法處理分析的任務(wù)[31]。

2.3.2 資源虛擬化

單一設(shè)備上的有限資源不足以完成智能物聯(lián)網(wǎng)的計(jì)算密集型任務(wù)，因此需要充分利用多個(gè)設(shè)備上的閑散資源。物聯(lián)網(wǎng)端側(cè)設(shè)備往往具有異構(gòu)特征，且處在動(dòng)態(tài)變化中。為實(shí)現(xiàn)設(shè)備資源的充分利用及統(tǒng)一調(diào)度，需要對(duì)異構(gòu)設(shè)備資源進(jìn)行軟件定義及虛擬化抽象，構(gòu)建邊緣資源池，以實(shí)現(xiàn)對(duì)底層設(shè)備資源的動(dòng)態(tài)感知與協(xié)同。資源虛擬化技術(shù)主要用來(lái)解決異構(gòu)設(shè)備資源服務(wù)能力描述的問題，其最終目標(biāo)是打破異構(gòu)硬件之間的界限，實(shí)現(xiàn)對(duì)多種多樣的物理設(shè)備的資源感知、抽象和虛擬化[32]，并將其映射到可被平臺(tái)調(diào)度的邏輯設(shè)備上的虛擬資源節(jié)點(diǎn)中。軟件定義技術(shù)可以將設(shè)備虛擬和抽象成計(jì)算、存儲(chǔ)等服務(wù)能力節(jié)點(diǎn)，從而實(shí)現(xiàn)資源的統(tǒng)一管理和編排，促進(jìn)跨異構(gòu)物聯(lián)網(wǎng)設(shè)備的資源調(diào)度，提高物聯(lián)網(wǎng)設(shè)備端的整體服務(wù)能力[33]。

2.3.3 計(jì)算任務(wù)智能分配

計(jì)算任務(wù)智能分配的方式主要有兩種：數(shù)據(jù)并行方式和模型并行方式。數(shù)據(jù)并行方式是將訓(xùn)練數(shù)據(jù)集進(jìn)行切分，搭載完整模型的分布式設(shè)備，并利用不同數(shù)據(jù)子集進(jìn)行訓(xùn)練。以聯(lián)邦學(xué)習(xí)為例，其設(shè)計(jì)目標(biāo)是在保障大數(shù)據(jù)交換時(shí)信息安全及數(shù)據(jù)安全隱私的前提下，多參與方或多計(jì)算節(jié)點(diǎn)之間只上傳各自數(shù)據(jù)子集訓(xùn)練出的模型參數(shù)而非原始數(shù)據(jù)，從而開展高效率的機(jī)器學(xué)習(xí)[34]。模型并行的方式是將模型進(jìn)行切分，從而共享全部數(shù)據(jù)集[35]。這兩種方式在物聯(lián)網(wǎng)場(chǎng)景下均面臨任務(wù)切分粒度過(guò)大、難以與底層異構(gòu)資源最優(yōu)匹配等問題，且任務(wù)劃分維度固定，難以滿足應(yīng)用任務(wù)豐富、動(dòng)態(tài)變化的物聯(lián)網(wǎng)應(yīng)用場(chǎng)景。WU Q.等[36]提出一種基于圖卷積網(wǎng)絡(luò)的智能任務(wù)分配算法。該算法包含資源子圖構(gòu)建、計(jì)算任務(wù)圖分解，以及基于圖匹配算法的系統(tǒng)性能預(yù)測(cè)等方面，對(duì)上實(shí)現(xiàn)深度學(xué)習(xí)任務(wù)的細(xì)粒度分解，對(duì)下實(shí)現(xiàn)異構(gòu)邊緣計(jì)算資源的統(tǒng)一管理和任務(wù)的智能分配，實(shí)現(xiàn)深度學(xué)習(xí)模型的高效訓(xùn)練和推理，提高資源利用率和整體系統(tǒng)性能。

3 未來(lái)研究展望

（1）重視強(qiáng)化學(xué)習(xí)理論。未來(lái)智能物聯(lián)網(wǎng)場(chǎng)景對(duì)模型可靠性、可解釋性要求很高。相對(duì)于可解釋性差的深度學(xué)習(xí)，具有強(qiáng)邏輯性和強(qiáng)可解釋性的強(qiáng)化學(xué)習(xí)更具優(yōu)勢(shì)。強(qiáng)化學(xué)習(xí)強(qiáng)調(diào)有機(jī)體如何在環(huán)境給予的獎(jiǎng)勵(lì)或懲罰的刺激下，逐步形成對(duì)刺激的預(yù)期，產(chǎn)生能獲得最大利益的習(xí)慣性行為。不同于其他學(xué)習(xí)范式，強(qiáng)化學(xué)習(xí)不要求預(yù)先給定任何數(shù)據(jù)，而是通過(guò)接收環(huán)境對(duì)動(dòng)作的反饋獲得學(xué)習(xí)信息并更新模型參數(shù)。在未來(lái)的研究中，多智能體強(qiáng)化學(xué)習(xí)將是重點(diǎn)研究方向，同時(shí)強(qiáng)化學(xué)習(xí)與知識(shí)圖譜、遷移學(xué)習(xí)等相關(guān)技術(shù)的有機(jī)結(jié)合是構(gòu)建快速學(xué)習(xí)能力的關(guān)鍵。

（2）重視領(lǐng)域知識(shí)價(jià)值。數(shù)據(jù)是知識(shí)的外延和具象化，知識(shí)是數(shù)據(jù)的內(nèi)涵和抽象化。數(shù)據(jù)驅(qū)動(dòng)有助于對(duì)細(xì)節(jié)的把握，知識(shí)驅(qū)動(dòng)更有助于對(duì)全局的認(rèn)知，因此需要將數(shù)據(jù)驅(qū)動(dòng)和知識(shí)驅(qū)動(dòng)融合起來(lái)，探索由全局到局部的漸進(jìn)式學(xué)習(xí)機(jī)制。

（3）重視多設(shè)備資源協(xié)同。針對(duì)物聯(lián)網(wǎng)設(shè)備資源受限問題，目前業(yè)界利用模型壓縮、小樣本學(xué)習(xí)等方法在單一設(shè)備層面解決高效學(xué)習(xí)問題。但物聯(lián)網(wǎng)中有海量設(shè)備，而不同級(jí)別設(shè)備又具有不同的數(shù)據(jù)資源、計(jì)算能力、領(lǐng)域知識(shí)。因此，如何有效協(xié)同多設(shè)備資源完成計(jì)算任務(wù)是一個(gè)很有潛力的方向。在多設(shè)備協(xié)同學(xué)習(xí)中，設(shè)備之間可能存在合作、競(jìng)爭(zhēng)等多種關(guān)系，因此需要考慮借助博弈論、多智能體等理論嘗試對(duì)多設(shè)備協(xié)同學(xué)習(xí)問題進(jìn)行研究及建模，以便達(dá)到最優(yōu)組合。

（4）重視人機(jī)增強(qiáng)智能。人是物聯(lián)網(wǎng)應(yīng)用環(huán)境中的一部分，在設(shè)備學(xué)習(xí)過(guò)程中應(yīng)該充分發(fā)揮人這一高級(jí)智能體的作用。人機(jī)交互的方式可以幫助設(shè)備構(gòu)建反饋回路，實(shí)現(xiàn)智能水平的提升。另外，我們還需要借鑒人腦的學(xué)習(xí)機(jī)理，構(gòu)建受腦啟發(fā)的學(xué)習(xí)范式和計(jì)算模型。

4 結(jié)束語(yǔ)

智能物聯(lián)網(wǎng)是6G最為核心的應(yīng)用領(lǐng)域，它對(duì)處理時(shí)延、功耗、數(shù)據(jù)隱私保護(hù)等提出更高要求。智能物聯(lián)網(wǎng)的實(shí)現(xiàn)依賴于邊緣智能技術(shù)的進(jìn)一步發(fā)展。本文首先對(duì)智能物聯(lián)網(wǎng)帶來(lái)的技術(shù)挑戰(zhàn)進(jìn)行了討論，其次對(duì)智能物聯(lián)網(wǎng)涉及的重要技術(shù)領(lǐng)域進(jìn)行了梳理與分析，包括新型機(jī)器學(xué)習(xí)范式、物聯(lián)網(wǎng)知識(shí)圖譜技術(shù)、異構(gòu)協(xié)同計(jì)算等，最后對(duì)智能物聯(lián)網(wǎng)未來(lái)發(fā)展進(jìn)行了展望和總結(jié)。

參考文獻(xiàn)

[1] JAKE S， SWERSKY K， ZEMEL R. Prototypical networks for few-shot learning [C]//Advances in Neural Information Processing Systems（NeurIPS）. Long Beach， CA， USA： ACM， 2017： 4077-4087

[2] FINN C， ABBEEL P， LEVINE S. Model-agnostic meta-learning for fast adaptation of deep networks [C]//ICML17： Proceedings of the 34th International Conference on Machine Learning. Sydney， Australia： ACM， 2017： 1126-1135

[3] ALI-GOMBE A， ELYAN E， SAVOYE Y， et al. Few-shot classifier GAN [C]//2018 International Joint Conference on Neural Networks（IJCNN）. Rio de Janeiro， Brazil： IEEE， 2018： 1-8. DOI：10.1109/IJCNN.2018.8489387

[4] ROKNI S A， GHASEMZADEH H. Autonomous sensor-context learning in dynamic human-centered Internet-of-Things environments [C]. 2016 IEEE/ACM international conference on computer-aided design （ICCAD）. Austin， TX， USA： IEEE， 2016： 1-6

[5] AKBARI A， JAFARI R. Transferring activity recognition models for new wearable sensors with deep generative domain adaptation [C]//Proceedings of the 18th International Conference on Information Processing in Sensor Networks. New York， NY， USA： ACM， 2019： 85-96. DOI： 10.1145/3302506.3310391

[6] ROKNI S A， GHASEMZADEH H. Synchronous dynamic view learning： A framework for autonomous training of activity recognition models using wearable sensors [C]//IPSN‘17： Proceedings of the 16th ACM/IEEE International Conference on Information Processing in Sensor Networks. New York， NY， USA： ACM， 2017： 79-90. DOI： 10.1145/3055031.3055087

[7] BAO Y Y， MA L Q， CHEN W. SSL： synchronous self-paced learning for Internet-of-things devices [C]//Proceedings of the 1st ACM International Workshop on Smart Cities and Fog Computing. New York， NY， USA： ACM， 2018： 13-18. DOI： 10.1145/3277893.3277898

[8] KONG D Q， BAO Y Y， CHEN W. Collaborative learning based on centroid-distance-vector for wearable devices [J]. Knowledge-based systems， 2020， 194： 105569. DOI： 10.1016/ j.knosys.2020.105569

[9] STEWART R， ERMON S. Label-free supervision of neural networks with physics and domain knowledge [EB/OL]. （2016-09-18）[2021-02-10]. https：//arxiv.org/abs/1609.05566

[10] FANG Y， KUAN K， LIN J， et al. Object detection meets knowledge graphs [C]//Proceedings of the Twenty-Sixth International Joint Conference on Artificial Intelligence. Melbourne， Australia： International Joint Conferences on Artificial Intelligence Organization， 2017： 1661-1667. DOI： 10.24963/ ijcai.2017/230

[11] WANG X L， YE Y F， GUPTA A. Zero-shot recognition via semantic embeddings and knowledge graphs [C]//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Salt Lake City， UT， USA： IEEE， 2018： 6857-6866. DOI： 10.1109/CVPR.2018.00717

[12] HE Y， LIU P， WANG Z W， et al. Filter pruning via geometric Median for deep convolutional neural networks acceleration [C]//2019 IEEE/ CVF Conference on Computer Vision and Pattern Recognition （CVPR）. Long Beach， CA， USA： IEEE， 2019： 4335-4344. DOI： 10.1109/ CVPR.2019.00447

[13] WAN D W， SHEN F M， LIU L， et al. TBN： convolutional neural network with ternary inputs and binary weights [M]//Computer Vision-ECCV 2018. Cham， Switzerland： Springer International Publishing， 2018： 322-339. DOI： 10.1007/978-3-030-01216-8_20

[14] TAN M X， CHEN B， PANG R M， et al. MnasNet： platform-aware neural architecture search for mobile [C]//2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. Long Beach， CA， USA： IEEE， 2019： 2815-2823. DOI： 10.1109/ CVPR.2019.00293

[15] LI Z Z， HOIEM D. Learning without forgetting[J]. IEEE transactions on pattern analysis and machine intelligence， 2018， 40（12）： 2935-2947. DOI： 10.1109/TPAMI.2017.2773081

[16] REBUFFI S A， KOLESNIKOV A， SPERL G， et al. iCaRL： incremental classifier and representation learning [C]//2017 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. Honolulu， HI， USA： IEEE， 2017： 5533-5542. DOI： 10.1109/CVPR.2017.587

[17] REN M， LIAL R， FETAYA E， et al. Incremental few-shot learning with attention attractor networks [C]//Proceedings of the Advances in Neural Information Processing Systems. USA： IEEE， 2019： 5276-5286

[18] TAO X Y， HONG X P， CHANG X Y， et al. Fewshot class-incremental learning [C]//2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. Seattle， WA， USA： IEEE， 2020： 12180-12189. DOI： 10.1109/CVPR42600.2020.01220

[19] 符山， 呂艾臨， 閆樹. 知識(shí)圖譜的概念與應(yīng)用 [J].信息通信技術(shù)與政策， 2019， （5）： 10-13

[20] CHEN Y Z， KUANG J， CHENG D， et al. AgriKG： an agricultural knowledge graph and its applications [C]//Proceedings of DASFAA. Chiang Mai， Thailand， 2019： 533-537

[21] LI L F， WANG P， YAN J， et al. Real-world data medical knowledge graph： construction and applications [J]. Artificial intelligence in medicine， 2020， 103： 101817. DOI： 10.1016/ j.artmed.2020.101817

[22] 劉瑞宏， 謝國(guó)強(qiáng)， 苑宗港， 等. 基于知識(shí)圖譜的智能故障診斷研究 [J]. 郵電設(shè)計(jì)技術(shù)， 2020，（10）： 30-35

[23] YOU S J， LI X T， CHEN W. Intelligent prediction for device status based on IoT temporal knowledge graph [C]//2020 IEEE/ CIC International Conference on Communications in China （ICCC）. Chongqing， China： IEEE， 2020： 560-565. DOI： 10.1109/ ICCC49849.2020.9238860

[24] 陳德華， 殷蘇娜， 樂嘉錦， 等. 一種面向臨床領(lǐng)域時(shí)序知識(shí)圖譜的鏈接預(yù)測(cè)模型 [J]. 計(jì)算機(jī)研究與發(fā)展， 2017， 54（12）： 2687-2697

[25] ANTOINE B， NICOLAS U. Translating embeddings for modeling multi-relational data [C]// Proceedings of Neural Information Processing Systems （NeurIPS）. 2013： 2787-2795

[26] XIE R B， LIU Z， LIU F， et al. Triple trustworthiness measurement for knowledge graph[EB/OL]. （2017-05-09）[2021-01-27]. https：// arxiv.org/abs/1705.03202

[27] JIA S B， XIANG Y， CHEN X J， et al. Triple trustworthiness measurement for knowledge graph [C]//Proceedings of the 28th International Conference on World Wide Web， 2019： 2865-2871

[28] ZHAO Y， FENG H L， GALLINARI P. Embedding learning with triple trustiness on noisy knowledge graph [J]. Entropy， 2019， 21（11）： 1083. DOI： 10.3390/e21111083

[29] 施巍松， 孫輝， 曹杰， 等. 邊緣計(jì)算： 萬(wàn)物互聯(lián)時(shí)代新型計(jì)算模型 [J]. 計(jì)算機(jī)研究與發(fā)展， 2017， 54（5）： 907-924

[30] 張?jiān)朴拢?程剛， 安崗， 等. 區(qū)塊鏈在電信運(yùn)營(yíng)商的應(yīng)用[J]. 電信科學(xué)， 36（5）： 1-7. DOI： 10.11959/j.issn.1000-0801.2020151

[31] TALEB T， SAMDANIS K， MADA B， et al. On multi-access edge computing： A survey of the emerging 5G network edge cloud architecture and orchestration [J]. IEEE communications surveys & tutorials， 2017， 19（3）： 1657-1681. DOI： 10.1109/ COMST.2017.2705720

[32] FARACI G， LOMBARDO A. An NFV approach to share home multimedia devices [C]//2017 IEEE Conference on Network Softwarization（NetSoft）. USA： IEEE， 2017： 1-6

[33] HU P F， CHEN W， HE C M， et al. Soft- ware-defined edge computing （SDEC）： principle， open IoT system architecture， applications， and challenges [J]. IEEE Internet of Things journal， 2020， 7（7）： 5934-5945. DOI： 10.1109/JIOT.2019.2954528

[34] LIM W Y B， LUONG N C， HOANG D T， et al. Federated learning in mobile edge networks： a comprehensive survey [J]. IEEE communications surveys & tutorials， 2020， 22（3）： 2031-2063. DOI： 10.1109/COMST.2020.2986024

[35] WANG X F， HAN Y W， LEUNG V C M， et al. Convergence of edge computing and deep learning： a comprehensive survey [J]. IEEE communications surveys & tutorials， 2020， 22（2）： 869-904. DOI： 10.1109/ COMST.2020.2970550

[36] QU W， DING X L， YANG K， et al. IDEC： intelligent distributed edge computing system architecture enabling deep learning across heterogeneous IoT devices [C]//2020 IEEE 6th International Conference on Computer and Communications （ICCC）. Chengdu， China： IEEE， 2020： 926-933. DOI： 10.1109/ ICCC51575.2020.9345083

作者簡(jiǎn)介

Wai CHEN，國(guó)家特聘專家，中國(guó)移動(dòng)研究院首席科學(xué)家；擁有30多年前瞻技術(shù)研究經(jīng)歷，主要研究領(lǐng)域?yàn)闄C(jī)器智能、邊緣計(jì)算、下一代車聯(lián)網(wǎng)及智能交通；在車路協(xié)同V2X、機(jī)器智能和邊緣計(jì)算等方面發(fā)表論文100余篇，并出版了1本關(guān)于車輛通信和網(wǎng)絡(luò)的著作，擁有36項(xiàng)美國(guó)專利。

鮑媛媛，中國(guó)移動(dòng)研究院高級(jí)研究員；主要研究領(lǐng)域?yàn)闄C(jī)器智能、邊緣計(jì)算；已發(fā)表論文40余篇。