Fugu-MT 論文翻訳(概要): Machine Learning Systems for Intelligent Services in the IoT: A Survey

論文の概要: Machine Learning Systems for Intelligent Services in the IoT: A Survey

arxiv url: http://arxiv.org/abs/2006.04950v3
Date: Tue, 1 Dec 2020 11:14:40 GMT
ステータス: 処理完了
システム内更新日: 2022-11-27 00:08:08.724995
Title: Machine Learning Systems for Intelligent Services in the IoT: A Survey
Title（参考訳）: IoTにおけるインテリジェントサービスのための機械学習システム: 調査
Authors: Wiebke Toussaint and Aaron Yi Ding
Abstract要約: この調査は、探索の少ないシステムを調べるために、既存のMLアルゴリズムとクラウド駆動設計を越えている。クラウド、エッジ、IoTデバイスにわたるMLのスケーリングと分散に関する最新の開発(2020年まで)をカバーしている。
参考スコア（独自算出の注目度）: 0.7106986689736825
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Machine learning (ML) technologies are emerging in the Internet of Things (IoT) to provision intelligent services. This survey moves beyond existing ML algorithms and cloud-driven design to investigate the less-explored systems, scaling and socio-technical aspects for consolidating ML and IoT. It covers the latest developments (up to 2020) on scaling and distributing ML across cloud, edge, and IoT devices. With a multi-layered framework to classify and illuminate system design choices, this survey exposes fundamental concerns of developing and deploying ML systems in the rising cloud-edge-device continuum in terms of functionality, stakeholder alignment and trustworthiness.
Abstract（参考訳）: インテリジェントなサービスをプロビジョニングするために、マシンラーニング(ML)テクノロジがIoT(Internet of Things)に登場している。この調査は、既存のMLアルゴリズムとクラウド駆動設計を超えて、MLとIoTを統合するための探索の少ないシステム、スケーリング、社会技術的側面を調査します。クラウド、エッジ、IoTデバイスにわたるMLのスケーリングと分散に関する最新の開発(2020年まで)をカバーしている。システム設計の選択を分類し、照らし出す多層フレームワークによって、この調査は、機能、ステークホルダーのアライメント、信頼性の観点から、クラウド・エッジ・デバイス・コンティニュムにおけるMLシステムの開発とデプロイに関する基本的な懸念を明らかにする。

関連論文リスト

Socialized Learning: A Survey of the Paradigm Shift for Edge Intelligence in Networked Systems [62.252355444948904]
本稿では,エッジインテリジェンス(EI)と社会学習(SL)の統合に関する文献レビューの結果について述べる。 SLは、エージェントの協調能力と集団知性を増幅することを目的とした、社会的原則と行動に基づく学習パラダイムである。ソーシャル化アーキテクチャ、ソーシャル化トレーニング、ソーシャル化推論の3つの統合コンポーネントについて詳しく検討し、その強みと弱点を分析した。
論文参考訳（メタデータ） (2024-04-20T11:07:29Z)
Fostering new Vertical and Horizontal IoT Applications with Intelligence Everywhere [8.208838459484676]
Intelligence Everywhereは、大量のデータストリームを運ぶIoTネットワークのシームレスな統合を前提としている。本稿では,最先端の研究とインテリジェンス・エビデンス・エビデンス・フレームワークの原理について論じる。また、水平IoTアプリケーションを開発するための新しい視点も導入している。
論文参考訳（メタデータ） (2023-09-30T11:59:39Z)
A Machine Learning-oriented Survey on Tiny Machine Learning [9.690117347832722]
Tiny Machine Learning(TinyML)の出現は、人工知能の分野に積極的に革命をもたらした。 TinyMLは、社会、経済、個人が効果的なAI融合コンピューティング技術を採用するのを助けるために、第4および第5次産業革命において不可欠な役割を担っている。
論文参考訳（メタデータ） (2023-09-21T09:47:12Z)
Towards Artificial General Intelligence (AGI) in the Internet of Things (IoT): Opportunities and Challenges [55.82853124625841]
人工知能(Artificial General Intelligence, AGI)は、人間の認知能力でタスクを理解し、学習し、実行することができる能力を持つ。本研究は,モノのインターネットにおけるAGIの実現に向けた機会と課題を探究する。 AGIに注入されたIoTの応用スペクトルは広く、スマートグリッド、住宅環境、製造、輸送から環境モニタリング、農業、医療、教育まで幅広い領域をカバーしている。
論文参考訳（メタデータ） (2023-09-14T05:43:36Z)
Vulnerability of Machine Learning Approaches Applied in IoT-based Smart Grid: A Review [51.31851488650698]
機械学習(ML)は、IoT(Internet-of-Things)ベースのスマートグリッドでの使用頻度が高まっている。電力信号に注入された逆方向の歪みはシステムの正常な制御と操作に大きな影響を及ぼす安全クリティカルパワーシステムに適用されたMLsgAPPの脆弱性評価を行うことが不可欠である。
論文参考訳（メタデータ） (2023-08-30T03:29:26Z)
MDE for Machine Learning-Enabled Software Systems: A Case Study and Comparison of MontiAnna & ML-Quadrat [5.839906946900443]
我々は,モノのインターネット(IoT)分野に着目した機械学習対応ソフトウェアシステムの開発に,MDEパラダイムを採用することを提案する。ケーススタディで実証されたように、最先端のオープンソースモデリングツールであるMontiAnnaとML-Quadratが、この目的のためにどのように使用できるかを説明します。
論文参考訳（メタデータ） (2022-09-15T13:21:16Z)
SeLoC-ML: Semantic Low-Code Engineering for Machine Learning Applications in Industrial IoT [9.477629856092218]
本稿では,Semantic Low-Code Engineering for ML Applications (SeLoC-ML) というフレームワークを提案する。 SeLoC-MLは、非専門家が大規模なMLモデルやデバイスをモデル化し、発見し、再利用することを可能にする。開発者は、レシピと呼ばれるセマンティックなアプリケーションテンプレートから、エンドユーザアプリケーションのプロトタイプを高速に作成できる。
論文参考訳（メタデータ） (2022-07-18T13:06:21Z)
Tiny Robot Learning: Challenges and Directions for Machine Learning in Resource-Constrained Robots [57.27442333662654]
機械学習(ML)は、コンピュータシステムにまたがる普及したツールとなっている。ティニー・ロボット・ラーニング(Tiny Robot Learning)とは、リソースに制約された低コストの自律ロボットにMLを配置する手法である。小型ロボット学習は、サイズ、重量、面積、パワー(SWAP)の制約によって困難にさらされる。本稿では,小型ロボットの学習空間を簡潔に調査し,重要な課題を詳述し,MLシステム設計における将来的な仕事の機会を提案する。
論文参考訳（メタデータ） (2022-05-11T19:36:15Z)
Technology Readiness Levels for Machine Learning Systems [107.56979560568232]
機械学習システムの開発とデプロイは、現代のツールで簡単に実行できますが、プロセスは一般的に急ぎ、エンドツーエンドです。私たちは、機械学習の開発と展開のための実証済みのシステムエンジニアリングアプローチを開発しました。当社の「機械学習技術準備レベル」フレームワークは、堅牢で信頼性が高く、責任あるシステムを確保するための原則的なプロセスを定義します。
論文参考訳（メタデータ） (2021-01-11T15:54:48Z)
Machine Learning Systems in the IoT: Trustworthiness Trade-offs for Edge Intelligence [1.2437226707039446]
エッジインテリジェンスを提供するために、機械学習システム(MLSys)がIoT(Internet of Things)に登場している。本稿では、クラウド、エッジ、IoTデバイスにわたるMLのスケーリングと分散に関する最新の開発(2020年まで)を取り上げ、トレードオフを分析します。
論文参考訳（メタデータ） (2020-12-01T11:42:34Z)
Technology Readiness Levels for AI & ML [79.22051549519989]
機械学習システムの開発は、現代的なツールで容易に実行できるが、プロセスは通常急いで、エンドツーエンドで実行される。エンジニアリングシステムは、高品質で信頼性の高い結果の開発を効率化するために、明確に定義されたプロセスとテスト標準に従います。我々は、機械学習の開発と展開のための実証されたシステムエンジニアリングアプローチを提案する。
論文参考訳（メタデータ） (2020-06-21T17:14:34Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。