A novel Approach of Iot stream Sampling and Model Update on the Iot edge Device for Class Incremental Learning in an Edge-Cloud System

---

Received January 31, 2021, accepted February 8, 2021, date of publication February 12, 2021, date of current version February 24, 2021.
Digital Object Identifier 10.1109/ACCESS.2021.3059251
A Novel Approach of IoT Stream Sampling and
Model Update on the IoT Edge Device for Class
Incremental Learning in an Edge-Cloud System
SWARAJ DUBE , WONG YEE WAN, AND HERMAWAN NUGROHO , (Senior Member, IEEE)
Department of Electrical and Electronic Engineering, University of Nottingham Malaysia, Semenyih 43500, Malaysia
Corresponding author: Swaraj Dube ([e-mail])
This work was supported in part by the University of Nottingham Malaysia Campus, and in part by the Fundamental Research Grant
Scheme (FRGS) by the Ministry of Higher Education, Malaysia under Grant FRGS/1/2018/ICT02/UNIM/02/4.
ABSTRACT
With the exponential rise of the number of IoT devices, the amount of data being produced
is massive. Thus, it is unfeasible to send all the raw data directly to the cloud for processing, especially
for data that is high dimensional. Training deep learning models incrementally evolves the model over
time and eliminates the need to statically training the models with all the data. However, the integration
of class incremental learning and the Internet of Things (IoT) is a new concept and is not yet mature. In the
context of IoT and deep learning, the transmission cost of data in the edge-cloud architecture is a challenge.
We demonstrate a novel sample selection method that discards certain training images on the IoT edge
device that reduces transmission cost and still maintains class incremental learning performance. It can be
unfeasible to transmit all parameters of a trained model back to the IoT edge device. Therefore, we propose an
algorithm to find only the useful parameters of a trained model in an efficient way to reduce the transmission
cost from the cloud to the edge devices. Results show that our proposed methods can effectively perform
class-incremental learning in an edge-cloud setting.