論文の概要: Pervasive AI for IoT Applications: Resource-efficient Distributed Artificial Intelligence

• arxiv url: http://arxiv.org/abs/2105.01798v1
• Date: Tue, 4 May 2021 23:42:06 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-06 22:06:45.715792
• Title: Pervasive AI for IoT Applications: Resource-efficient Distributed Artificial Intelligence
• Title（参考訳）: IoTアプリケーションのための幅広いAI:資源効率のよい分散人工知能
• Authors: Emna Baccour, Naram Mhaisen, Alaa Awad Abdellatif, Aiman Erbad, Amr Mohamed, Mounir Hamdi, Mohsen Guizani
• Abstract要約: 人工知能(AI)は、さまざまなモノのインターネット(IoT)アプリケーションやサービスにおいて大きなブレークスルーを目の当たりにした。 これは、感覚データへの容易なアクセスと、リアルタイムデータストリームのゼッタバイト(ZB)を生成する広帯域/ユビキタスデバイスの巨大なスケールによって駆動される。 広範コンピューティングと人工知能の合流により、Pervasive AIはユビキタスIoTシステムの役割を拡大した。
• 参考スコア（独自算出の注目度）: 45.076180487387575
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Artificial intelligence (AI) has witnessed a substantial breakthrough in a variety of Internet of Things (IoT) applications and services, spanning from recommendation systems to robotics control and military surveillance. This is driven by the easier access to sensory data and the enormous scale of pervasive/ubiquitous devices that generate zettabytes (ZB) of real-time data streams. Designing accurate models using such data streams, to predict future insights and revolutionize the decision-taking process, inaugurates pervasive systems as a worthy paradigm for a better quality-of-life. The confluence of pervasive computing and artificial intelligence, Pervasive AI, expanded the role of ubiquitous IoT systems from mainly data collection to executing distributed computations with a promising alternative to centralized learning, presenting various challenges. In this context, a wise cooperation and resource scheduling should be envisaged among IoT devices (e.g., smartphones, smart vehicles) and infrastructure (e.g. edge nodes, and base stations) to avoid communication and computation overheads and ensure maximum performance. In this paper, we conduct a comprehensive survey of the recent techniques developed to overcome these resource challenges in pervasive AI systems. Specifically, we first present an overview of the pervasive computing, its architecture, and its intersection with artificial intelligence. We then review the background, applications and performance metrics of AI, particularly Deep Learning (DL) and online learning, running in a ubiquitous system. Next, we provide a deep literature review of communication-efficient techniques, from both algorithmic and system perspectives, of distributed inference, training and online learning tasks across the combination of IoT devices, edge devices and cloud servers. Finally, we discuss our future vision and research challenges.
• Abstract（参考訳）: 人工知能(AI)は、レコメンデーションシステムからロボティクス制御、軍事監視まで、さまざまなモノのインターネット(IoT)アプリケーションとサービスにおいて大きなブレークスルーを目の当たりにした。 これは、知覚データへのアクセスが簡単で、リアルタイムデータストリームのゼタバイト(ZB)を生成する巨大な広帯域/ユビキタスデバイスによって駆動される。 このようなデータストリームを使用して正確なモデルを設計し、将来の洞察を予測し、意思決定プロセスに革命をもたらすため、普及するシステムをより良い品質の生活にふさわしいパラダイムとして定めます。 普及型コンピューティングと人工知能の融合である普及型aiは、ユビキタスなiotシステムの役割を、主にデータ収集から分散計算まで、集中型学習に代わる有望な選択肢として拡大し、さまざまな課題を提示した。 この文脈では、賢明な協力とリソースのスケジューリングは、IoTデバイス(スマートフォン、スマート車など)とインフラストラクチャ(例えば、)の間で検討されるべきである。 通信や計算のオーバーヘッドを回避し、パフォーマンスを最大化するためのエッジノードとベースステーション。 本稿では,広汎なAIシステムにおけるこれらの資源課題を克服するために開発された,最近の技術に関する包括的調査を行う。 具体的には,まず,汎用コンピューティング,そのアーキテクチャ,人工知能との交点について概説する。 次に、ユビキタスシステムで動作するAI、特にディープラーニング(DL)とオンライン学習の背景、アプリケーション、パフォーマンスメトリクスについてレビューする。 次に,iotデバイス,エッジデバイス,クラウドサーバの組み合わせによる分散推論,トレーニング,オンライン学習タスクといった,アルゴリズム的,システム的な両面から,コミュニケーション効率の高い技術に関する深い文献レビューを行う。 最後に,今後のビジョンと研究課題について論じる。

関連論文リスト

• Networking Systems for Video Anomaly Detection: A Tutorial and Survey [55.28514053969056]
  ビデオ異常検出(VAD)は人工知能(AI)コミュニティにおける基本的な研究課題である。 本稿では,各種深層学習駆動型VAD経路の基本前提,学習フレームワーク,適用シナリオについて述べる。 我々は、産業用IoTおよびスマート都市における最新のNSVAD研究と、デプロイ可能なNSVADのためのエンドクラウド共同アーキテクチャを紹介します。
  論文  参考訳（メタデータ） (2024-05-16T02:00:44Z)
• Uncertainty Estimation in Multi-Agent Distributed Learning for AI-Enabled Edge Devices [0.0]
  エッジIoTデバイスはFPGAとAIアクセラレータの導入によってパラダイムシフトを経験している。 この進歩は、エッジAIの実用性を強調し、その計算能力を大幅に増幅した。 本研究では,AI対応エッジデバイスによる分散データ処理を実現する手法について検討し,協調学習能力を向上する。
  論文  参考訳（メタデータ） (2024-03-14T07:40:32Z)
• The Internet of Senses: Building on Semantic Communications and Edge Intelligence [67.75406096878321]
  インターネット・オブ・センセーズ(IoS)は、すべてのヒト受容体に対する欠陥のないテレプレゼンススタイルのコミュニケーションを約束する。 我々は,新たなセマンティックコミュニケーションと人工知能(AI)/機械学習(ML)パラダイムがIoSユースケースの要件を満たす方法について詳しく述べる。
  論文  参考訳（メタデータ） (2022-12-21T03:37:38Z)
• A review of Federated Learning in Intrusion Detection Systems for IoT [0.15469452301122172]
  侵入検知システムは、環境中の異常を検索するデータ分析を行うインテリジェントシステムへと進化している。 ディープラーニング技術は、より複雑で効果的な脅威検出モデルを構築するための扉を開いた。 現在のアプローチは、すべてのパーティからデータを受け取る強力な集中型サーバに依存しています。 本稿では,侵入検出分野におけるフェデレートラーニング手法の適用に焦点を当てた。
  論文  参考訳（メタデータ） (2022-04-26T17:00:07Z)
• Edge Artificial Intelligence for 6G: Vision, Enabling Technologies, and Applications [39.223546118441476]
  6Gはワイヤレスの進化を「コネクテッドモノ」から「コネクテッドインテリジェンス」に変革する ディープラーニングとビッグデータ分析に基づくAIシステムは、膨大な計算と通信資源を必要とする。 エッジAIは、センサー、通信、計算、インテリジェンスをシームレスに統合する6Gの破壊的技術として際立っている。
  論文  参考訳（メタデータ） (2021-11-24T11:47:16Z)
• How to Reach Real-Time AI on Consumer Devices? Solutions for Programmable and Custom Architectures [7.085772863979686]
  ディープニューラルネットワーク(DNN)は、オブジェクトや音声認識など、さまざまな人工知能(AI)推論タスクにおいて大きな進歩をもたらした。 このようなAIモデルをコモディティデバイスにデプロイすることは、大きな課題に直面している。 クロススタック手法によりリアルタイムな性能を実現する手法を提案する。
  論文  参考訳（メタデータ） (2021-06-21T11:23:12Z)
• Towards AIOps in Edge Computing Environments [60.27785717687999]
  本稿では,異種分散環境に適用可能なaiopsプラットフォームのシステム設計について述べる。 高頻度でメトリクスを収集し、エッジデバイス上で特定の異常検出アルゴリズムを直接実行することが可能である。
  論文  参考訳（メタデータ） (2021-02-12T09:33:00Z)
• 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)
• 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。