論文の概要: Bringing AI To Edge: From Deep Learning's Perspective
- arxiv url: http://arxiv.org/abs/2011.14808v1
- Date: Wed, 25 Nov 2020 12:07:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-21 01:52:34.312814
- Title: Bringing AI To Edge: From Deep Learning's Perspective
- Title（参考訳）: AIをエッジに持ち込む - ディープラーニングの視点から
- Authors: Di Liu, Hao Kong, Xiangzhong Luo, Weichen Liu, Ravi Subramaniam
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 7.308396023489246
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Edge computing and artificial intelligence (AI), especially deep learning for
nowadays, are gradually intersecting to build a novel system, called edge
intelligence. However, the development of edge intelligence systems encounters
some challenges, and one of these challenges is the \textit{computational gap}
between computation-intensive deep learning algorithms and less-capable edge
systems. Due to the computational gap, many edge intelligence systems cannot
meet the expected performance requirements. To bridge the gap, a plethora of
deep learning techniques and optimization methods are proposed in the past
years: light-weight deep learning models, network compression, and efficient
neural architecture search. Although some reviews or surveys have partially
covered this large body of literature, we lack a systematic and comprehensive
review to discuss all aspects of these deep learning techniques which are
critical for edge intelligence implementation. As various and diverse methods
which are applicable to edge systems are proposed intensively, a holistic
review would enable edge computing engineers and community to know the
state-of-the-art deep learning techniques which are instrumental for edge
intelligence and to facilitate the development of edge intelligence systems.
This paper surveys the representative and latest deep learning techniques that
are useful for edge intelligence systems, including hand-crafted models, model
compression, hardware-aware neural architecture search and adaptive deep
learning models. Finally, based on observations and simple experiments we
conducted, we discuss some future directions.
- Abstract（参考訳）: エッジコンピューティングと人工知能(AI)、特に近年のディープラーニングは、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。
しかし、エッジインテリジェンスシステムの開発にはいくつかの課題があり、これらの課題の1つは計算集約型ディープラーニングアルゴリズムと低能力エッジシステムとの間の‘textit{computational gap’である。
計算のギャップのため、多くのエッジインテリジェンスシステムは、期待される性能要件を満たせない。
このギャップを埋めるために、近年、軽量ディープラーニングモデル、ネットワーク圧縮、効率的なニューラルネットワーク探索など、多くのディープラーニング技術と最適化手法が提案されている。
いくつかのレビューや調査は、この大きな文献を部分的にカバーしているが、エッジインテリジェンスの実装に不可欠なディープラーニング技術の全側面を議論するための体系的で包括的なレビューが欠けている。
エッジシステムに適用可能なさまざまな方法が集中的に提案されているため、エッジコンピューティングエンジニアやコミュニティは、エッジインテリジェンスに有用な最先端のディープラーニング技術を知って、エッジインテリジェンスシステムの開発を促進することができるだろう。
本稿では,手作りモデル,モデル圧縮,ハードウェア対応ニューラルアーキテクチャ探索,適応型ディープラーニングモデルなど,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検討する。
最後に,観測と簡単な実験に基づき,今後の方向性について考察する。
関連論文リスト
- A Survey on Deep Learning and State-of-the-art Applications [0.0]
ディープラーニングモデルの構築は、アルゴリズムの複雑さと現実世界の問題の動的な性質のため、難しい作業である。
本研究の目的は,コンピュータビジョン,自然言語処理,時系列解析,広範コンピューティングにおける最先端のディープラーニングモデルを網羅的にレビューすることである。
論文 参考訳（メタデータ） (2024-03-26T10:10:53Z) - 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) - Design Automation for Fast, Lightweight, and Effective Deep Learning
Models: A Survey [53.258091735278875]
本調査では,エッジコンピューティングを対象としたディープラーニングモデルの設計自動化技術について述べる。
これは、有効性、軽量性、計算コストの観点からモデルの習熟度を定量化するために一般的に使用される主要なメトリクスの概要と比較を提供する。
この調査は、ディープモデル設計自動化技術の最先端の3つのカテゴリをカバーしている。
論文 参考訳（メタデータ） (2022-08-22T12:12:43Z) - Enable Deep Learning on Mobile Devices: Methods, Systems, and
Applications [46.97774949613859]
ディープニューラルネットワーク(DNN)は人工知能(AI)分野において前例のない成功を収めた
しかし、それらの優れた性能は、計算の複雑さのかなりのコストを伴っている。
本稿では,効率的なディープラーニング手法,システム,応用について概説する。
論文 参考訳（メタデータ） (2022-04-25T16:52:48Z) - 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) - Towards Self-learning Edge Intelligence in 6G [143.1821636135413]
エッジインテリジェンス(エッジインテリジェンス、Edge Intelligence、別名エッジネイティブ人工知能(AI))は、AI、通信ネットワーク、モバイルエッジコンピューティングのシームレスな統合に焦点を当てた新興技術フレームワークである。
本稿では、6GにおけるエッジネイティブAIの重要な要件と課題を特定する。
論文 参考訳（メタデータ） (2020-10-01T02:16:40Z) - 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) - Structure preserving deep learning [1.2263454117570958]
深層学習は、大きな関心事のトピックとして、前景に浮かび上がっています。
ディープラーニングの適用には、いくつかの挑戦的な数学的問題がある。
既存のディープラーニング手法の構造を数学的に理解する努力が増えている。
論文 参考訳（メタデータ） (2020-06-05T10:59:09Z) - 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) - Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G
Networks [84.2155885234293]
まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。
このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
論文 参考訳（メタデータ） (2020-02-22T14:38:11Z) - 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。