2B以下小模型就能端侧预测压力，隐私不靠云、低延迟还准！
On-Device Language Models for Privacy-Preserving Stress Prediction: A Multimodal Evaluation on Mobile Health
📖 AI 总结
该研究评估了端侧语言模型（ODLMs）在移动健康场景下进行多模态压力预测的可行性，重点考察其在无需云端依赖前提下的隐私保护能力。研究采用零样本提示方法，同时测量预测准确率、延迟与吞吐量。结果显示，客观传感器特征的平均预测表现略优于主观自我报告，且参数量低于20亿的轻量级模型能够实现低延迟推理，资源占用具有可预测性。这项工作揭示了端侧语言模型用于移动心理健康预测的潜力，同时也指出了其在移动资源约束下的实际局限，为隐私保护型健康监测提供了实证参考。
🔑 关键词速览
| On-Device Language Models (ODLMs) | 端侧语言模型，指直接在移动设备上运行而不依赖云端的大型语言模型，可保护隐私并减少延迟。 |
| Zero-shot Prompting | 零样本提示，一种无需针对特定任务进行微调，仅通过提示词让模型直接进行预测的方法。 |
| Multimodal Stress Prediction | 多模态压力预测，指结合多种类型的数据（如传感器数据和自我报告）来预测个体的压力水平。 |
| Mobile Health (mHealth) | 移动健康，指通过移动设备（如智能手机、可穿戴设备）提供健康服务或进行健康监测的领域。 |
| Sub-2B Models | 参数量小于20亿的轻量级语言模型，适合在资源受限的移动设备上部署。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅