엣지 환경에서의 인물 재식별(ReID)을 위한 엣지 컴퓨팅은 중앙 클라우드 서버의 부하를 줄이고 사용자 프라이버시를 보장하는 데 중요합니다. 기존 압축 방법은 컴팩트한 모델을 얻기 위해 각 학생 모델에 대한 계산을 필요로 합니다. 다양한 리소스 조건을 수용하기 위해 여러 크기의 모델이 필요할 경우, 이는 반복적이고 번거로운 계산으로 이어집니다. 이 문제를 해결하기 위해, 저자들은 OSKT (One-Shot Knowledge Transfer)라는 새로운 지식 상속 방식을 제안합니다. 이 방식은 교사 모델의 지식을 가중치 체인이라는 중간 매개체에 통합합니다. 특정 리소스 제약 조건을 충족하는 모델이 필요할 때, 이 가중치 체인은 추가 계산 없이 대상 모델 크기로 확장될 수 있습니다. OSKT는 최첨단 압축 방법보다 월등히 우수하며, 각 대상 모델에 대한 빈번한 계산을 제거하는 단일 지식 전달의 이점을 제공합니다.
