論文の概要: Pareto-Optimal Bit Allocation for Collaborative Intelligence

• arxiv url: http://arxiv.org/abs/2009.12430v2
• Date: Thu, 29 Apr 2021 23:41:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-14 22:39:51.903498
• Title: Pareto-Optimal Bit Allocation for Collaborative Intelligence
• Title（参考訳）: 協調インテリジェンスのためのパレート最適ビット割り当て
• Authors: Saeed Ranjbar Alvar and Ivan V. Baji\'c
• Abstract要約: コラボレーションインテリジェンス(CI)は、人工知能(AI)ベースのサービスをモバイル/エッジデバイスにデプロイするための、有望なフレームワークとして登場した。 本稿では,マルチストリームCIシステムにおける特徴符号化のためのビット割り当てについて検討する。
• 参考スコア（独自算出の注目度）: 39.11380888887304
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent studies, collaborative intelligence (CI) has emerged as a promising framework for deployment of Artificial Intelligence (AI)-based services on mobile/edge devices. In CI, the AI model (a deep neural network) is split between the edge and the cloud, and intermediate features are sent from the edge sub-model to the cloud sub-model. In this paper, we study bit allocation for feature coding in multi-stream CI systems. We model task distortion as a function of rate using convex surfaces similar to those found in distortion-rate theory. Using such models, we are able to provide closed-form bit allocation solutions for single-task systems and scalarized multi-task systems. Moreover, we provide analytical characterization of the full Pareto set for 2-stream k-task systems, and bounds on the Pareto set for 3-stream 2-task systems. Analytical results are examined on a variety of DNN models from the literature to demonstrate wide applicability of the results
• Abstract（参考訳）: 最近の研究で、コラボレーティブ・インテリジェンス(CI)は、モバイル/エッジデバイスに人工知能(AI)ベースのサービスをデプロイするための有望なフレームワークとして登場した。 CIでは、AIモデル(ディープニューラルネットワーク)がエッジとクラウドに分割され、中間機能はエッジサブモデルからクラウドサブモデルに送信される。 本稿では,マルチストリームCIシステムにおける特徴符号化のためのビット割り当てについて検討する。 我々は,変形速度理論に類似した凸面を用いた速度関数としてのタスク歪みをモデル化する。 このようなモデルを用いて、単一タスクシステムとスキャラライズされたマルチタスクシステムに対して、クローズドフォームビット割り当てソリューションを提供することができる。 さらに, 2-stream k-task システム用のpareto セットと 3-stream 2-task システム用のpareto セットのバウンドを解析的に評価する。 文献からの多種多様なDNNモデルの解析結果について検討し、その結果の広範囲な適用性を示す。

関連論文リスト

• Two-Timescale Model Caching and Resource Allocation for Edge-Enabled AI-Generated Content Services [55.0337199834612]
  Generative AI(GenAI)は、カスタマイズされたパーソナライズされたAI生成コンテンツ(AIGC)サービスを可能にするトランスフォーメーション技術として登場した。 これらのサービスは数十億のパラメータを持つGenAIモデルの実行を必要とし、リソース制限の無線エッジに重大な障害を生じさせる。 我々は、AIGC品質とレイテンシメトリクスのトレードオフをバランスさせるために、AIGCサービスのジョイントモデルキャッシングとリソースアロケーションの定式化を導入する。
  論文  参考訳（メタデータ） (2024-11-03T07:01:13Z)
• Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
  タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。 既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。 ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-29T19:02:54Z)
• An Empirical Study of Multimodal Model Merging [148.48412442848795]
  モデルマージは、異なるタスクでトレーニングされた複数のモデルを融合してマルチタスクソリューションを生成するテクニックである。 我々は、モダリティ固有のアーキテクチャのビジョン、言語、およびクロスモーダルトランスフォーマーをマージできる新しい目標に向けて研究を行っている。 本稿では,重み間の距離を推定し,マージ結果の指標となる2つの指標を提案する。
  論文  参考訳（メタデータ） (2023-04-28T15:43:21Z)
• Multi-Resource Allocation for On-Device Distributed Federated Learning Systems [79.02994855744848]
  本研究は,デバイス上の分散フェデレーション学習(FL)システムにおいて,レイテンシとエネルギー消費の重み付け和を最小化する分散マルチリソース割り当て方式を提案する。 システム内の各モバイルデバイスは、指定された領域内でモデルトレーニングプロセスを実行し、それぞれパラメータの導出とアップロードを行うための計算と通信資源を割り当てる。
  論文  参考訳（メタデータ） (2022-11-01T14:16:05Z)
• Task-Oriented Sensing, Computation, and Communication Integration for Multi-Device Edge AI [108.08079323459822]
  本稿では,AIモデルの分割推論と統合センシング通信(ISAC)を併用した,新しいマルチインテリジェントエッジ人工レイテンシ(AI)システムについて検討する。 推定精度は近似的だが抽出可能な計量、すなわち判別利得を用いて測定する。
  論文  参考訳（メタデータ） (2022-07-03T06:57:07Z)
• JMSNAS: Joint Model Split and Neural Architecture Search for Learning over Mobile Edge Networks [23.230079759174902]
  モバイルエッジネットワーク上でのDNNモデルの自動生成とデプロイのために,ジョイントモデル分割とニューラルアーキテクチャサーチ(JMSNAS)フレームワークを提案する。 計算資源制約と通信資源制約の両方を考慮すると、計算グラフ探索問題を定式化する。 実験により,最先端の分割機械学習設計手法よりも提案手法が優れていることを確認した。
  論文  参考訳（メタデータ） (2021-11-16T03:10:23Z)
• An Explainable Machine Learning-based Network Intrusion Detection System for Enabling Generalisability in Securing IoT Networks [0.0]
  機械学習(ML)ベースのネットワーク侵入検知システムは、組織のセキュリティ姿勢を高める多くの利点をもたらす。 多くのシステムは研究コミュニティで設計・開発されており、特定のデータセットを用いて評価すると、しばしば完璧な検出率を達成する。 本稿では,異なるネットワーク環境と攻撃タイプに設定した共通機能の汎用性を評価することにより,ギャップを狭める。
  論文  参考訳（メタデータ） (2021-04-15T00:44:45Z)
• End-to-End 3D Multi-Object Tracking and Trajectory Forecasting [34.68114553744956]
  3次元MOTと軌道予測の統一解を提案する。 グラフニューラルネットを導入して特徴相互作用技術を採用する。 また,予測トラジェクトリの品質と多様性を向上させるために,多様性サンプリング機能を利用する。
  論文  参考訳（メタデータ） (2020-08-25T16:54:46Z)
• Bit Allocation for Multi-Task Collaborative Intelligence [39.11380888887304]
  コラボレーションインテリジェンス(CI)は、モバイルデバイスにAIベースのサービスをデプロイするための、有望なフレームワークである。 マルチストリームマルチタスクCIのための第1ビット割当手法を提案する。
  論文  参考訳（メタデータ） (2020-02-14T02:02:39Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。