論文の概要: Deep Learning in the Era of Edge Computing: Challenges and Opportunities

• arxiv url: http://arxiv.org/abs/2010.08861v1
• Date: Sat, 17 Oct 2020 20:50:42 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-06 12:05:16.709717
• Title: Deep Learning in the Era of Edge Computing: Challenges and Opportunities
• Title（参考訳）: エッジコンピューティング時代のディープラーニング: 挑戦と機会
• Authors: Mi Zhang, Faen Zhang, Nicholas D. Lane, Yuanchao Shu, Xiao Zeng, Biyi Fang, Shen Yan, Hui Xu
• Abstract要約: 近い将来、エッジデバイスの大半は、ディープラーニングを利用したマシンインテリジェンスを備えるようになるだろう、と私たちは考えている。 ディープラーニングベースのアプローチでは、トレーニングに大量の高品質のデータを必要とし、計算、メモリ、消費電力の面で非常に高価である。
• 参考スコア（独自算出の注目度）: 21.638476468152312
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The era of edge computing has arrived. Although the Internet is the backbone of edge computing, its true value lies at the intersection of gathering data from sensors and extracting meaningful information from the sensor data. We envision that in the near future, majority of edge devices will be equipped with machine intelligence powered by deep learning. However, deep learning-based approaches require a large volume of high-quality data to train and are very expensive in terms of computation, memory, and power consumption. In this chapter, we describe eight research challenges and promising opportunities at the intersection of computer systems, networking, and machine learning. Solving those challenges will enable resource-limited edge devices to leverage the amazing capability of deep learning. We hope this chapter could inspire new research that will eventually lead to the realization of the vision of intelligent edge.
• Abstract（参考訳）: エッジコンピューティングの時代が到来した。 インターネットはエッジコンピューティングのバックボーンであるが、真の価値はセンサーからデータを収集し、センサーデータから意味のある情報を抽出する交差点にある。 近い将来、エッジデバイスの大半は、ディープラーニングを利用したマシンインテリジェンスを備えるようになるだろう、と私たちは考えている。 しかし、ディープラーニングベースのアプローチでは、トレーニングに大量の高品質のデータを必要とし、計算、メモリ、消費電力の点で非常に高価である。 本章では,コンピュータシステム,ネットワーク,機械学習の交点における8つの研究課題と有望な機会について述べる。 これらの課題を解決することで、リソース制限のあるエッジデバイスがディープラーニングの驚くべき能力を活用できるようになる。 この章が、インテリジェントエッジのビジョンの実現に繋がる新たな研究に刺激を与えることを期待しています。

関連論文リスト

• Brain-Inspired Computational Intelligence via Predictive Coding [89.6335791546526]
  予測符号化(PC)は、マシンインテリジェンスタスクにおいて有望なパフォーマンスを示している。 PCは様々な脳領域で情報処理をモデル化することができ、認知制御やロボティクスで使用することができる。
  論文  参考訳（メタデータ） (2023-08-15T16:37:16Z)
• The Future of Consumer Edge-AI Computing [58.445652425379855]
  Deep Learningは、主にデバイス間のハードウェアアクセラレーションによって、消費者のエンドに急速に浸透している。 将来を見据えて、孤立したハードウェアが不十分であることは明らかです。 本稿では,コンシューマエッジにおける計算資源とデータアクセスの再編成と最適化を目的とした,EdgeAI-Hubデバイスを中心とした新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2022-10-19T12:41:47Z)
• Edge-Cloud Polarization and Collaboration: A Comprehensive Survey [61.05059817550049]
  クラウドとエッジ両方のAIの体系的なレビューを行います。 私たちはクラウドとエッジモデリングの協調学習メカニズムを最初にセットアップしました。 我々は現在進行中の最先端AIトピックの可能性と実践経験について議論する。
  論文  参考訳（メタデータ） (2021-11-11T05:58:23Z)
• Synthetic Data: Opening the data floodgates to enable faster, more directed development of machine learning methods [96.92041573661407]
  機械学習における画期的な進歩の多くは、大量のリッチデータを利用できることに起因する。 多くの大規模データセットは、医療データなど高度に敏感であり、機械学習コミュニティでは広く利用できない。 プライバシー保証で合成データを生成することは、そのようなソリューションを提供します。
  論文  参考訳（メタデータ） (2020-12-08T17:26:10Z)
• Bringing AI To Edge: From Deep Learning's Perspective [7.308396023489246]
  エッジコンピューティングと人工知能(AI)は、エッジインテリジェンスと呼ばれる新しいシステムを構築するために徐々に交差している。 これらの課題の1つは、計算集約的なディープラーニングアルゴリズムと、計算能力の低いエッジシステムの間のテキスト計算のギャップである。 本稿では,エッジインテリジェンスシステムに有用な代表的かつ最新のディープラーニング技術について調査する。
  論文  参考訳（メタデータ） (2020-11-25T12:07:21Z)
• Empowering Things with Intelligence: A Survey of the Progress, Challenges, and Opportunities in Artificial Intelligence of Things [98.10037444792444]
  AIがIoTをより速く、より賢く、よりグリーンで、より安全にするための力を与える方法を示します。 まず、認識、学習、推論、行動の4つの視点から、IoTのためのAI研究の進歩を示す。 最後に、私たちの世界を深く再形成する可能性が高いAIoTの有望な応用をいくつかまとめる。
  論文  参考訳（メタデータ） (2020-11-17T13:14:28Z)
• State-of-the-art Techniques in Deep Edge Intelligence [0.0]
  エッジインテリジェンス(EI)は、エッジコンピューティングの概念を用いた学習を可能にする強力な代替手段として急速に登場した。 本稿では,DeIの運用における主な制約について概説する。
  論文  参考訳（メタデータ） (2020-08-03T12:17:23Z)
• Offline Reinforcement Learning: Tutorial, Review, and Perspectives on Open Problems [108.81683598693539]
  オフラインの強化学習アルゴリズムは、巨大なデータセットを強力な意思決定エンジンにできるという、大きな約束を持っています。 我々は,これらの課題,特に近代的な深層強化学習手法の文脈において,読者にこれらの課題を理解することを目的としている。
  論文  参考訳（メタデータ） (2020-05-04T17:00:15Z)
• Memristors -- from In-memory computing, Deep Learning Acceleration, Spiking Neural Networks, to the Future of Neuromorphic and Bio-inspired Computing [25.16076541420544]
  機械学習は、特にディープラーニングの形で、人工知能の最近の基本的な発展のほとんどを駆動している。 ディープラーニングは、オブジェクト/パターン認識、音声と自然言語処理、自動運転車、インテリジェントな自己診断ツール、自律ロボット、知識に富んだパーソナルアシスタント、監視といった分野に成功している。 本稿では、電力効率の高いインメモリコンピューティング、ディープラーニングアクセラレーター、スパイクニューラルネットワークの実装のための潜在的なソリューションとして、CMOSハードウェア技術、memristorsを超越した小説をレビューする。
  論文  参考訳（メタデータ） (2020-04-30T16:49:03Z)
• Communication-Efficient Edge AI: Algorithms and Systems [39.28788394839187]
  エッジデバイス(IoTデバイスなど)の大規模展開は、前例のない規模のデータを生成する。 このような巨大なデータはすべて、処理のためにエンドデバイスからクラウドに送信することはできない。 AIモデルの推論とトレーニングプロセスをエッジノードにプッシュすることで、エッジAIは有望な代替手段として浮上した。
  論文  参考訳（メタデータ） (2020-02-22T09:27:55Z)

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。