PULSE: Personalized Opportunistic Learning for Wearable Devices

📄 arXiv: 2610.28081v1 📥 PDF

作者: Mattia Giovanni Campana, Dariush Salami, Hüseyin Yiğitler, Stephan Sigg

分类: cs.LG, cs.AI, cs.DC

发布日期: 2026-10-20

备注: Submitted to IEEE PerCom 2027

💡 一句话要点

提出PULSE框架以解决可穿戴设备个性化学习问题

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 个性化学习 可穿戴设备 机会主义学习 人类活动识别 资源优化

📋 核心要点

  1. 现有方法在可穿戴设备的个性化学习中面临数据差异和本地适应性不足的挑战。
  2. PULSE框架通过将每次接触视为在线协作决策，优化同行选择以提高个性化学习效果。
  3. 实验结果表明，PULSE在多个任务中保持或提升了分类性能，同时显著减少了通信需求。

📝 摘要（中文）

可穿戴设备越来越多地支持个性化健康和福祉应用，但部署后的数据与训练数据可能存在显著差异，单一设备的本地适应性受到限制。传统的联邦和去中心化学习依赖于频繁的通信和稳定的连接，而现有的机会主义方法往往未能充分考虑可用接触的效用、兼容性或通信成本。本文提出PULSE，一个事件驱动的个性化机会主义学习框架，将每次接触视为在线协作决策，选择不交互或有前景的邻近同行。通过在合成和真实接触轨迹下进行的人类活动识别、跌倒检测和压力识别实验，PULSE在保持或改善个性化分类性能的同时，将同行辅助交换减少了80-94%。

🔬 方法详解

问题定义：本文旨在解决可穿戴设备在个性化学习中面临的数据差异和本地适应性不足的问题。现有方法依赖于频繁的通信和稳定的网络连接，导致在实际应用中效率低下。

核心思路：PULSE框架的核心思想是将每次接触视为在线协作决策，选择合适的同行进行学习，以提高个性化效果并降低通信成本。通过兼容性判断和历史交互指导未来选择，优化了学习过程。

技术框架：PULSE的整体架构包括事件驱动的决策模块、同行选择机制和梯度融合模块。每次接触后，系统会评估是否进行交互，并根据当前学习方向和历史数据选择合适的同行。

关键创新：PULSE的主要创新在于其事件驱动的个性化学习策略，通过选择性地进行同行协作，显著降低了通信需求，与传统的机会主义模型平均方法相比，提升了效率。

关键设计：在设计中，PULSE采用了兼容性判断机制，确保只有在学习方向一致时才融合同行梯度。此外，系统的实现占用的内存和闪存资源非常有限，适合在资源受限的可穿戴设备上运行。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，PULSE在多个任务中保持或提升了个性化分类性能，同时将同行辅助交换减少了80-94%。在可穿戴硬件上的测试表明，PULSE的实现占用149.8 KiB的RAM和561.8 KiB的闪存，显示出其在能效和资源利用上的优势。

🎯 应用场景

PULSE框架具有广泛的应用潜力，特别是在健康监测、运动跟踪和心理状态评估等领域。通过优化个性化学习过程，该方法能够在资源受限的可穿戴设备上实现高效的数据处理和实时反馈，提升用户体验和健康管理效果。未来，该技术可能推动更多智能穿戴设备的普及和应用。

📄 摘要（原文）

Wearable devices increasingly support personalized health and well-being applications, but post-deployment data can differ substantially from those used for training, while purely local adaptation may be limited by the data available on a single device during real-world operation. Conventional federated and decentralized learning rely on recurrent communication and stable connectivity, whereas existing opportunistic approaches often exploit available encounters without adequately considering their utility, compatibility, or communication cost. We propose PULSE, an event-driven framework for personalized opportunistic learning that treats each encounter as an online collaboration decision, selecting either no interaction or a promising nearby peer. Peer gradients are incorporated only when compatible with the local learning direction, while past interactions guide future peer selection. Across human activity recognition, fall detection, and stress recognition under synthetic and real contact traces, PULSE preserves or improves personalized classification performance, while reducing peer-assisted exchanges by 80-94% compared with opportunistic model averaging. On-device experiments further demonstrate its feasibility on wearable hardware: peer-assisted operations require limited energy, while the complete implementation occupies 149.8 KiB of RAM and 561.8 KiB of flash. The obtained results show that selective opportunistic collaboration can provide effective personalization while limiting communication and resource demands on constrained wearable devices.