論文の概要: The Benefits of Edge Computing in Healthcare, Smart Cities, and IoT
- arxiv url: http://arxiv.org/abs/2112.01250v1
- Date: Mon, 22 Nov 2021 07:29:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-07 04:05:06.938132
- Title: The Benefits of Edge Computing in Healthcare, Smart Cities, and IoT
- Title(参考訳): 医療、スマートシティ、IoTにおけるエッジコンピューティングのメリット
- Authors: Rushit Dave, Naeem Seliya, Nyle Siddiqui
- Abstract要約: エッジコンピューティングは、第5世代(5G)通信に基づく印象的な伝送速度を持つ。
本稿では,IoT(Internet of Things)デバイス,スマートシティインフラストラクチャ,ヘルスケアのメリットに関するエッジコンピューティングアプリケーションについて,詳しく検討する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent advancements in technology now allow for the generation of massive
quantities of data. There is a growing need to transmit this data faster and
more securely such that it cannot be accessed by malicious individuals. Edge
computing has emerged in previous research as a method capable of improving
data transmission times and security before the data ends up in the cloud. Edge
computing has an impressive transmission speed based on fifth generation (5G)
communication which transmits data with low latency and high bandwidth. While
edge computing is sufficient to extract important features from the raw data to
prevent large amounts of data requiring excessive bandwidth to be transmitted,
cloud computing is used for the computational processes required for developing
algorithms and modeling the data. Edge computing also improves the quality of
the user experience by saving time and integrating quality of life (QoL)
features. QoL features are important for the healthcare sector by helping to
provide real-time feedback of data produced by healthcare devices back to
patients for a faster recovery. Edge computing has better energy efficiency,
can reduce the electricity cost, and in turn help people reduce their living
expenses. This paper will take a detailed look into edge computing applications
around Internet of Things (IoT) devices, smart city infrastructure, and
benefits to healthcare.
- Abstract(参考訳): 近年の技術進歩により、大量のデータの生成が可能になった。
悪意のある個人によってアクセスできないように、このデータを迅速かつ安全に送信する必要性が高まっている。
エッジコンピューティングは、データがクラウドに入る前にデータ転送時間とセキュリティを改善する方法として、以前の研究で登場した。
エッジコンピューティングは、低レイテンシと高帯域幅でデータを伝送する第5世代(5g)通信に基づく素晴らしい伝送速度を持つ。
エッジコンピューティングは、過剰な帯域幅を必要とする大量のデータ転送を防止するために生データから重要な特徴を抽出するのに十分であるが、クラウドコンピューティングは、アルゴリズムの開発とデータモデリングに必要な計算プロセスに使用される。
エッジコンピューティングは、時間を節約し、QoL(Quality of Life)機能を統合することで、ユーザエクスペリエンスの品質も向上する。
QoLの機能は、医療機器によって生成されるデータのリアルタイムフィードバックを患者に提供し、より早く回復させることによって、医療セクターにとって重要である。
エッジコンピューティングはエネルギー効率を向上し、電力コストを削減し、それによって人びとの生活費を削減できる。
本稿では,IoT(Internet of Things)デバイス,スマートシティインフラストラクチャ,ヘルスケアのメリットに関するエッジコンピューティングアプリケーションについて,詳しく検討する。
関連論文リスト
- Green Edge AI: A Contemporary Survey [49.47249665895926]
グリーンエッジAIに関する現代の調査を紹介する。
その可能性にもかかわらず、エッジAIは重大な課題に直面している。主な原因は、無線エッジネットワークのリソース制限と、ディープラーニング(DL)のリソース集約性との間の二分である。
我々は、エッジAIシステムにおける3つの重要なタスクに対して、トレーニングデータ取得、エッジトレーニング、エッジ推論を含むエネルギー効率の高い設計手法について検討する。
論文 参考訳(メタデータ) (2023-12-01T04:04:37Z) - Neural Network Methods for Radiation Detectors and Imaging [1.6395318070400589]
機械学習、特にディープニューラルネットワーク(DNN)の最近の進歩により、放射線検出器や撮像ハードウェアの新たな最適化と性能向上スキームが実現されている。
本稿では、光子源におけるデータ生成の概要、画像処理タスクのためのディープラーニングベースの方法、ディープラーニングアクセラレーションのためのハードウェアソリューションについて述べる。
論文 参考訳(メタデータ) (2023-11-09T20:21:51Z) - Federated Fine-Tuning of LLMs on the Very Edge: The Good, the Bad, the
Ugly [66.19763977571114]
本稿では,最新のエッジコンピューティングシステムにおいて,Large Language Modelsをどのように導入できるかを,ハードウェア中心のアプローチで検討する。
マイクロレベルのハードウェアベンチマークを行い、FLOPモデルと最先端のデータセンターGPUを比較し、現実的な条件下でのネットワーク利用について検討する。
論文 参考訳(メタデータ) (2023-10-04T20:27:20Z) - Hierarchical Training of Deep Neural Networks Using Early Exiting [50.49194837327223]
深層ニューラルネットワークは、ビジョンタスクに最先端の精度を提供するが、トレーニングにはかなりのリソースを必要とする。
ディープニューラルネットワークは、データを取得するエッジデバイスから遠く離れたクラウドサーバでトレーニングされる。
エッジとクラウドワーカ間の分割アーキテクチャにおいて,早期出口を用いた新しい階層的ニューラルネットワークトレーニング手法が提案されている。
論文 参考訳(メタデータ) (2023-03-04T11:30:16Z) - Dynamic Split Computing for Efficient Deep Edge Intelligence [78.4233915447056]
通信チャネルの状態に基づいて最適な分割位置を動的に選択する動的分割計算を導入する。
本研究では,データレートとサーバ負荷が時間とともに変化するエッジコンピューティング環境において,動的スプリットコンピューティングが高速な推論を実現することを示す。
論文 参考訳(メタデータ) (2022-05-23T12:35:18Z) - Distributed data analytics [8.415530878975751]
レコメンデーションシステムは、オンラインサービスプロバイダの重要なコンポーネントである。
金融業界は不正検出、リスク管理、コンプライアンスなどの分野で大量のデータを活用するためにMLを採用している。
論文 参考訳(メタデータ) (2022-03-26T14:10:51Z) - FallDeF5: A Fall Detection Framework Using 5G-based Deep Gated Recurrent
Unit Networks [14.343733233707267]
本研究では,ディープラーニングアルゴリズムとモバイルエッジコンピューティングに基づく効果的な転倒検出フレームワークを提案する。
また,DGRU(Deep gated Recurrent Unit)ニューラルネットワークを用いて,既存のDLを用いた転倒検出手法の精度を向上させることを提案する。
論文 参考訳(メタデータ) (2021-06-29T01:31:35Z) - A Joint Energy and Latency Framework for Transfer Learning over 5G
Industrial Edge Networks [53.26338041079138]
5G産業エッジネットワークのための転送学習対応エッジCNNフレームワークを提案する。
特に、エッジサーバは、既存の画像データセットを使用してcnnを事前トレーニングすることができる。
TLの助けを借りて、トレーニングに参加していないデバイスは、訓練されたエッジCNNモデルをスクラッチからトレーニングせずに微調整するだけです。
論文 参考訳(メタデータ) (2021-04-19T15:13:16Z) - Cost-effective Machine Learning Inference Offload for Edge Computing [0.3149883354098941]
本稿では,インストール・ベース・オンプレミス(edge)計算資源を活用した新しいオフロード機構を提案する。
提案するメカニズムにより、エッジデバイスは、リモートクラウドを使用する代わりに、重い計算集約的なワークロードをエッジノードにオフロードすることができる。
論文 参考訳(メタデータ) (2020-12-07T21:11:02Z) - Embedded Development Boards for Edge-AI: A Comprehensive Report [0.0]
IoTアプリケーションの処理の大部分は、中央クラウドで行われている。
ネットワークの端でデータを処理する新しいトレンドが生まれつつある。
本稿では,Edge上で人工知能アルゴリズムを実行するための開発ボードをレビューした。
論文 参考訳(メタデータ) (2020-09-02T03:34:05Z) - One-step regression and classification with crosspoint resistive memory
arrays [62.997667081978825]
高速で低エネルギーのコンピュータは、エッジでリアルタイム人工知能を実現するために要求されている。
ワンステップ学習は、ボストンの住宅のコスト予測と、MNIST桁認識のための2層ニューラルネットワークのトレーニングによって支援される。
結果は、クロスポイントアレイ内の物理計算、並列計算、アナログ計算のおかげで、1つの計算ステップで得られる。
論文 参考訳(メタデータ) (2020-05-05T08:00:07Z)
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。