ChaoticImmuneNet：一种受混沌现象驱动的免疫机制启发的神经网络范式，适用于资源受限设备中的体感智能应用

《ACM Journal on Emerging Technologies in Computing Systems》：ChaoticImmuneNet: A Chaos-driven Immunity inspired Neural Network paradigm for Embodied Intelligence in Resource-Constrained Devices

边缘设备在智能系统中的本地化学习面临资源限制和噪声数据挑战，传统方法依赖外部训练导致延迟和隐私问题。本文提出基于人工免疫系统与混沌理论的轻量级方法ChaoticImmuneNet，通过Siamese神经网络实现边缘设备的有限数据本地训练，实验验证其在三个数据集上准确率优于现有方法，并成功部署于仓储机器人。

　　

摘要

边缘设备（Edge Devices, ED）在实现智能网络物理系统（Smart Cyber-Physical Systems, CPS）的智能决策能力方面发挥着关键作用。然而，鉴于边缘设备的资源限制，这一目标颇具挑战性。预先训练好的机器学习模型在处理通过边缘设备提供的真实世界数据时表现不佳。传统的具身人工智能（Embodied Artificial Intelligence, AI）策略将训练任务外包出去以适应真实世界数据，但这种对外部资源的依赖带来了延迟、隐私、可扩展性等问题，这些问题对CPS的运行不利。作为解决方案，本文提出了一种轻量级的具身AI方法——ChaoticImmuneNet，该方法允许在资源受限的边缘设备上进行自主学习，即使数据量有限且存在噪声。该方法结合了人工免疫系统（Artificial Immune Systems）和混沌理论（Chaos Theory）的技术，并通过孪生神经网络（Siamese Neural Network）实现自主学习。ChaoticImmuneNet与传统的混沌神经网络不同，因为它无需专门的模型或硬件来利用混沌动态。使用三个不同的图像数据集进行的实验研究表明，与现有的自主学习技术相比，该方法在准确性、时间和存储需求方面具有显著优势。在仓库原型中实际部署的移动机器人案例证明了ChaoticImmuneNet的实用价值。