SALT는 폐쇄된 환경에서 헤드 및 테일 네트워크에 대한 접근 권한이 없는 분할 컴퓨팅을 위한 경량 모델 적응 프레임워크입니다. 기존의 적응 방법들은 모델 파라미터나 아키텍처에 대한 접근이 필요하지만, SALT는 클라이언트 측에 작고 훈련 가능한 어댑터를 도입하여 헤드 네트워크로부터의 잠재적 특징을 개선함으로써 원본 모델을 수정하거나 통신 오버헤드를 증가시키지 않고 사용자별 적응을 가능하게 합니다. CIFAR-10 및 CIFAR-100을 사용한 사용자별 분류 작업에서 평가한 결과, 미세 조정 방법보다 향상된 정확도와 낮은 훈련 지연 시간을 보였습니다. 또한 SALT는 손실 네트워크에서 강력한 추론을 위한 모델 적응을 용이하게 하여 에지-클라우드 환경에서의 일반적인 문제를 해결합니다. 최소한의 배포 오버헤드로 SALT는 엄격한 시스템 제약 조건 하에서 에지 AI 시스템의 개인화된 추론을 위한 실용적인 솔루션을 제공합니다.
