論文の概要: A Survey on Collaborative DNN Inference for Edge Intelligence
- arxiv url: http://arxiv.org/abs/2207.07812v1
- Date: Sat, 16 Jul 2022 02:32:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-19 18:36:50.607411
- Title: A Survey on Collaborative DNN Inference for Edge Intelligence
- Title(参考訳): エッジインテリジェンスのための協調的DNN推論に関する調査
- Authors: Weiqing Ren, Yuben Qu, Chao Dong, Yuqian Jing, Hao Sun, Qihui Wu, Song
Guo
- Abstract要約: エッジインテリジェンス(EI)は、AI分野における最先端の方向性となる。
本稿では、EIのための4つの典型的な協調的DNN推論パラダイムを分類し、それらの特徴と鍵となる技術を分析する。
- 参考スコア(独自算出の注目度): 22.691247982285432
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the vigorous development of artificial intelligence (AI), the
intelligent applications based on deep neural network (DNN) change people's
lifestyles and the production efficiency. However, the huge amount of
computation and data generated from the network edge becomes the major
bottleneck, and traditional cloud-based computing mode has been unable to meet
the requirements of real-time processing tasks. To solve the above problems, by
embedding AI model training and inference capabilities into the network edge,
edge intelligence (EI) becomes a cutting-edge direction in the field of AI.
Furthermore, collaborative DNN inference among the cloud, edge, and end device
provides a promising way to boost the EI. Nevertheless, at present, EI oriented
collaborative DNN inference is still in its early stage, lacking a systematic
classification and discussion of existing research efforts. Thus motivated, we
have made a comprehensive investigation on the recent studies about EI oriented
collaborative DNN inference. In this paper, we firstly review the background
and motivation of EI. Then, we classify four typical collaborative DNN
inference paradigms for EI, and analyze the characteristics and key
technologies of them. Finally, we summarize the current challenges of
collaborative DNN inference, discuss the future development trend and provide
the future research direction.
- Abstract(参考訳): 人工知能(AI)の活発な発展により、ディープニューラルネットワーク(DNN)に基づくインテリジェントなアプリケーションが人々のライフスタイルと生産効率を変化させる。
しかし、ネットワークエッジから生成される膨大な計算量とデータがボトルネックとなり、従来のクラウドベースのコンピューティングモードはリアルタイム処理タスクの要求を満たすことができなかった。
上記の問題を解決するため、AIモデルのトレーニングと推論機能をネットワークエッジに組み込むことで、エッジインテリジェンス(EI)はAI分野における最先端の方向となる。
さらに、クラウド、エッジ、エンドデバイス間の協調的なDNN推論は、EIを強化する有望な方法を提供する。
しかしながら、現在、EI指向の協調的DNN推論はまだ初期段階にあり、既存の研究活動の体系的な分類と議論が欠けている。
そこで本研究では,EI指向協調DNN推論に関する最近の研究を包括的に調査した。
本稿ではまず,EIの背景と動機について概観する。
次に,4つの典型的な協調的dnn推論パラダイムを分類し,それらの特徴と鍵技術を分析する。
最後に,協調的dnn推論の現在の課題を要約し,今後の開発動向を議論し,今後の研究方向性について述べる。
関連論文リスト
- DNN Partitioning, Task Offloading, and Resource Allocation in Dynamic Vehicular Networks: A Lyapunov-Guided Diffusion-Based Reinforcement Learning Approach [49.56404236394601]
本稿では,Vehicular Edge Computingにおける共同DNNパーティショニング,タスクオフロード,リソース割り当ての問題を定式化する。
我々の目標は、時間とともにシステムの安定性を保証しながら、DNNベースのタスク完了時間を最小化することである。
拡散モデルの革新的利用を取り入れたマルチエージェント拡散に基づく深層強化学習(MAD2RL)アルゴリズムを提案する。
論文 参考訳(メタデータ) (2024-06-11T06:31:03Z) - 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) - Towards Integrated Fine-tuning and Inference when Generative AI meets
Edge Intelligence [5.078859563367533]
高性能生成人工知能(GAI)は、コンピュータ・インテリジェンスの最新の発展を象徴する。
GAIとエッジインテリジェンス(EI)の必然的な出会いは、新たな機会を解き放ちます。
本稿では,データフリーな知識リレーを活用した矛盾をバッファリングするGAI指向合成ネットワーク(GaisNet)を提案する。
論文 参考訳(メタデータ) (2024-01-05T06:52:55Z) - Green Edge AI: A Contemporary Survey [46.11332733210337]
AIの変換力は、ディープニューラルネットワーク(DNN)の利用から導かれる。
ディープラーニング(DL)は、エンドユーザーデバイス(EUD)に近い無線エッジネットワークに移行しつつある。
その可能性にもかかわらず、エッジAIは大き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、DLのリソース集約的な性質の分離である。
論文 参考訳(メタデータ) (2023-12-01T04:04:37Z) - Brain-Inspired Spiking Neural Networks for Industrial Fault Diagnosis: A Survey, Challenges, and Opportunities [10.371337760495521]
Spiking Neural Network (SNN)は、Brainにインスパイアされたコンピューティングの原理に基づいている。
本稿では,SNNモデルの理論的進歩を体系的にレビューし,SNNとは何かという疑問に答える。
論文 参考訳(メタデータ) (2023-11-13T11:25:34Z) - Hardware Approximate Techniques for Deep Neural Network Accelerators: A
Survey [4.856755747052137]
Deep Neural Networks(DNN)は非常に人気があり、機械学習(ML)における様々な認知タスクのパフォーマンスが高い。
近年のDNNの進歩は多くのタスクにおいて人間の精度を超えたが、計算の複雑さのコストがかかる。
本稿では,DNN加速器のハードウェア近似技術に関する包括的調査と解析を行う。
論文 参考訳(メタデータ) (2022-03-16T16:33:13Z) - 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) - Artificial Intelligence for IT Operations (AIOPS) Workshop White Paper [50.25428141435537]
AIOps(Artificial Intelligence for IT Operations)は、マシンラーニング、ビッグデータ、ストリーミング分析、IT運用管理の交差点で発生する、新たな学際分野である。
AIOPSワークショップの主な目的は、アカデミアと産業界の両方の研究者が集まり、この分野での経験、成果、作業について発表することです。
論文 参考訳(メタデータ) (2021-01-15T10:43:10Z) - Boosting Deep Neural Networks with Geometrical Prior Knowledge: A Survey [77.99182201815763]
ディープニューラルネットワーク(DNN)は多くの異なる問題設定において最先端の結果を達成する。
DNNはしばしばブラックボックスシステムとして扱われ、評価と検証が複雑になる。
コンピュータビジョンタスクにおける畳み込みニューラルネットワーク(CNN)の成功に触発された、有望な分野のひとつは、対称幾何学的変換に関する知識を取り入れることである。
論文 参考訳(メタデータ) (2020-06-30T14:56:05Z) - Neuroevolution in Deep Neural Networks: Current Trends and Future
Challenges [0.0]
人工深層ニューラルネットワーク(DNN)のアーキテクチャ構成と学習,あるいはトレーニングに,さまざまな手法が適用されている。
進化的アルゴリズム(EA)は、DNNの自動最適化とトレーニングのための計算可能な方法として勢いを増している。
本稿では,DNNのアーキテクチャ構成とトレーニングにEAを用いた最先端の作業について,総合的な調査,議論,評価を行う。
論文 参考訳(メタデータ) (2020-06-09T17:28:25Z) - 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)
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。