論文の概要: A Review and a Taxonomy of Edge Machine Learning: Requirements, Paradigms, and Techniques

• arxiv url: http://arxiv.org/abs/2302.08571v1
• Date: Thu, 16 Feb 2023 20:33:33 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-20 16:42:19.725453
• Title: A Review and a Taxonomy of Edge Machine Learning: Requirements, Paradigms, and Techniques
• Title（参考訳）: エッジ機械学習のレビューと分類:要求、パラダイム、技術
• Authors: Wenbin Li, Hakim Hacid, Ebtesam Almazrouei, Merouane Debbah
• Abstract要約: エッジコンピューティング(EC)と人工知能(AI)の連合は、エッジAIの概念を推進し、エンドユーザ環境に近いインテリジェントなソリューションを提供した。 機械学習(ML)は、ここ数年でAIの最も先進的な分野であり、エッジ環境における奨励的な結果と応用を示している。 本稿では,Edge ML技術に関する包括的分類と体系的レビューを提供することを目的とする。
• 参考スコア（独自算出の注目度）: 2.969574053459335
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The union of Edge Computing (EC) and Artificial Intelligence (AI) has brought forward the Edge AI concept to provide intelligent solutions close to end-user environment, for privacy preservation, low latency to real-time performance, as well as resource optimization. Machine Learning (ML), as the most advanced branch of AI in the past few years, has shown encouraging results and applications in the edge environment. Nevertheless, edge powered ML solutions are more complex to realize due to the joint constraints from both edge computing and AI domains, and the corresponding solutions are expected to be efficient and adapted in technologies such as data processing, model compression, distributed inference, and advanced learning paradigms for Edge ML requirements. Despite that a great attention of Edge ML is gained in both academic and industrial communities, we noticed the lack of a complete survey on existing Edge ML technologies to provide a common understanding of this concept. To tackle this, this paper aims at providing a comprehensive taxonomy and a systematic review of Edge ML techniques: we start by identifying the Edge ML requirements driven by the joint constraints. We then survey more than twenty paradigms and techniques along with their representative work, covering two main parts: edge inference, and edge learning. In particular, we analyze how each technique fits into Edge ML by meeting a subset of the identified requirements. We also summarize Edge ML open issues to shed light on future directions for Edge ML.
• Abstract（参考訳）: エッジコンピューティング(EC)と人工知能(AI)の連合はEdge AIの概念を推進し、エンドユーザ環境に近いインテリジェントなソリューションを提供し、プライバシ保護、低レイテンシのリアルタイムパフォーマンス、リソース最適化を実現した。 機械学習(ML)は、ここ数年でAIの最も先進的な分野であり、エッジ環境における奨励的な結果と応用を示している。 それでもエッジベースのMLソリューションは、エッジコンピューティングとAIドメインの両方のジョイント制約のため、より複雑であり、それに対応するソリューションは、データ処理、モデル圧縮、分散推論、エッジML要求のための高度な学習パラダイムといった技術で効率的かつ適応することが期待されている。 学術と産業の両方でEdge MLに大きな注目を集めているにもかかわらず、この概念の共通理解を提供するために、既存のEdge ML技術に関する完全な調査が欠如していることに気づきました。 そこで本論文は,Edge ML技術に関する包括的分類と体系的なレビューを提供することを目的としている。 次に、エッジ推論とエッジ学習という2つの主要な部分をカバーする、20以上のパラダイムとテクニックとその代表的作業を調査します。 特に,特定要件のサブセットを満たすことで,各手法がエッジmlにどのように適合するかを分析する。 また、Edge MLの今後の方向性を明かすために、Edge MLのオープンな問題を要約します。

関連論文リスト

• Training Machine Learning models at the Edge: A Survey [2.8449839307925955]
  本調査では,エッジ学習の概念,特にエッジにおける機械学習モデルトレーニングの最適化について検討する。 エッジラーニングに関する関連文献が同定され,分散ラーニング手法における研究努力の集中が明らかになった。 この調査はさらに、エッジ学習のためにMLを最適化するために使用されるテクニックを比較するためのガイドラインと、利用可能なさまざまなフレームワーク、ライブラリ、シミュレーションツールの探索を提供する。
  論文  参考訳（メタデータ） (2024-03-05T03:18:43Z)
• Machine Learning Insides OptVerse AI Solver: Design Principles and Applications [74.67495900436728]
  本稿では,Huawei CloudのOpsVerse AIソルバに機械学習(ML)技術を統合するための総合的研究について述べる。 本稿では,実世界の多面構造を反映した生成モデルを用いて,複雑なSATインスタンスとMILPインスタンスを生成する手法を紹介する。 本稿では,解解器性能を著しく向上させる,最先端パラメータチューニングアルゴリズムの導入について詳述する。
  論文  参考訳（メタデータ） (2024-01-11T15:02:15Z)
• LAMBO: Large AI Model Empowered Edge Intelligence [71.56135386994119]
  次世代エッジインテリジェンスは、オフロード技術を通じて様々なアプリケーションに恩恵をもたらすことが期待されている。 従来のオフロードアーキテクチャは、不均一な制約、部分的な認識、不確実な一般化、トラクタビリティの欠如など、いくつかの問題に直面している。 我々は、これらの問題を解決するための10億以上のパラメータを持つLarge AI Model-Based Offloading (LAMBO)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-29T07:25:42Z)
• Roadmap for Edge AI: A Dagstuhl Perspective [7.871316017033928]
  Edge AIは、データ駆動アプリケーションへの適応を提供し、ネットワークと無線アクセスを強化し、分散AI/MLパイプラインの作成、最適化、デプロイを可能にします。 目標は、主要なアクターとイネーブラーをまとめてEdge AIのドメインをさらに前進させる、計画されたロードマップを共有することだ。
  論文  参考訳（メタデータ） (2021-11-27T16:48:20Z)
• 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)
• Reconfigurable Intelligent Surface Assisted Mobile Edge Computing with Heterogeneous Learning Tasks [53.1636151439562]
  モバイルエッジコンピューティング(MEC)は、AIアプリケーションに自然なプラットフォームを提供します。 再構成可能なインテリジェントサーフェス(RIS)の助けを借りて、MECで機械学習タスクを実行するインフラストラクチャを提示します。 具体的には,モバイルユーザの送信パワー,基地局のビームフォーミングベクトル,risの位相シフト行列を共同で最適化することにより,参加ユーザの学習誤差を最小化する。
  論文  参考訳（メタデータ） (2020-12-25T07:08:50Z)
• 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)
• A Survey on Large-scale Machine Learning [67.6997613600942]
  機械学習はデータに対する深い洞察を与え、マシンが高品質な予測を行うことを可能にする。 ほとんどの高度な機械学習アプローチは、大規模なデータを扱う場合の膨大な時間コストに悩まされる。 大規模機械学習は、ビッグデータからパターンを、同等のパフォーマンスで効率的に学習することを目的としている。
  論文  参考訳（メタデータ） (2020-08-10T06:07:52Z)
• 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)
• Incentive Mechanism Design for Resource Sharing in Collaborative Edge Learning [106.51930957941433]
  5GとBeyondネットワークでは、人工知能のアプリケーションがますます普及すると予想されている。 これは、現在のクラウド中心のモデルトレーニングアプローチから、エッジラーニングとして知られるエッジコンピューティングベースの協調学習スキームへのパラダイムシフトを必要とする。
  論文  参考訳（メタデータ） (2020-05-31T12:45:06Z)

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。