通过解耦训练进行关键补丁感知稀疏提示，以实现边缘持续学习

边缘设备上的持续学习（CL）不仅需要高精度，还需要训练时间效率，以支持严格的内存和计算约束下的设备自适应。虽然基于提示的持续学习 (PCL) 具有参数效率，并且实现了有竞争力的准确性，但之前的工作主要集中在准确性或推理时间性能上，通常忽视了设备上训练的内存和计算成本。在本文中，我们提出了 CPS-Prompt，这是一种关键补丁感知稀疏提示框架，通过集成用于任务感知词元减少的关键补丁采样（CPS）和解耦提示和分类器训练（DPCT）来减少反向传播开销，从而明确针对训练时内存使用和计算成本。在三个公共基准测试和真实边缘硬件上进行的实验表明，与平衡的 CODA-Prompt 基准相比，CPS-Prompt 将峰值内存、训练时间和能源效率提高了约 1.6 倍，同时将平均精度保持在最先进的 C-Prompt 的 2% 以内，并在精度方面与 CODA-Prompt 保持竞争。该代码可在 https://github.com/laymond1/cps-prompt 获取。