論文の概要: Device management and network connectivity as missing elements in TinyML
landscape
- arxiv url: http://arxiv.org/abs/2304.11669v1
- Date: Sun, 23 Apr 2023 14:33:42 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-25 17:03:21.884577
- Title: Device management and network connectivity as missing elements in TinyML
landscape
- Title(参考訳): TinyMLランドスケープの欠落要素としてのデバイス管理とネットワーク接続
- Authors: Tomasz Szydlo and Marcin Nagy
- Abstract要約: TinyMLに基づくソリューションのデプロイには、いくつかの課題に対処する必要がある。
これには、ハードウェアの不均一性、マイクロプロセッサ(MCU)アーキテクチャ、リソース可用性の制約が含まれる。
本稿は、LwM2Mプロトコルが、ネットワーク接続と相互運用性に関する特定課題をいかに解決できるかを論じる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deployment of solutions based on TinyML requires meeting several challenges.
These include hardware heterogeneity, microprocessor (MCU) architectures, and
resource availability constraints. Another challenge is the variety of
operating systems for MCU, limited memory management implementations and
limited software interoperability between devices. A number of these challenges
are solved by dedicated programming libraries and the ability to compile code
for specific devices. Nevertheless, the challenge discussed in the paper is the
issue of network connectivity for such solutions. We point out that more
emphasis should be placed on standard protocols, interoperability of solutions
and security. Finally, the paper discusses how the LwM2M protocol can solve the
identified challenges related to network connectivity and interoperability.
- Abstract(参考訳): TinyMLに基づくソリューションのデプロイには、いくつかの課題に対処する必要がある。
これには、ハードウェアの不均一性、マイクロプロセッサ(MCU)アーキテクチャ、リソース可用性の制約が含まれる。
もうひとつの課題は、mcuのさまざまなオペレーティングシステム、メモリ管理実装の制限、デバイス間のソフトウェア相互運用性の制限である。
これらの課題の多くは、専用のプログラミングライブラリと特定のデバイスでコードをコンパイルする機能によって解決される。
それでも、論文で議論されている課題は、そのようなソリューションに対するネットワーク接続の問題である。
我々は、標準プロトコル、ソリューションの相互運用性、セキュリティにもっと重点を置くべきだと指摘する。
最後に,LwM2Mプロトコルがネットワーク接続性や相互運用性にまつわる課題を解決する方法について論じる。
関連論文リスト
- Emergent Communication in Multi-Agent Reinforcement Learning for Future
Wireless Networks [30.678152524314225]
創発的コミュニケーションを用いたマルチエージェント強化学習(EC-MARL)は,高次元連続制御問題に対処するための有望な解である。
本稿では,将来の6G無線ネットワークにおけるEC-MARLの重要性を述べる。
論文 参考訳(メタデータ) (2023-09-12T07:40:53Z) - Multi-Resource Allocation for On-Device Distributed Federated Learning
Systems [79.02994855744848]
本研究は,デバイス上の分散フェデレーション学習(FL)システムにおいて,レイテンシとエネルギー消費の重み付け和を最小化する分散マルチリソース割り当て方式を提案する。
システム内の各モバイルデバイスは、指定された領域内でモデルトレーニングプロセスを実行し、それぞれパラメータの導出とアップロードを行うための計算と通信資源を割り当てる。
論文 参考訳(メタデータ) (2022-11-01T14:16:05Z) - Artificial Intelligence Empowered Multiple Access for Ultra Reliable and
Low Latency THz Wireless Networks [76.89730672544216]
テラヘルツ(THz)無線ネットワークは、第5世代(B5G)以上の時代を触媒すると予想されている。
いくつかのB5Gアプリケーションの超信頼性と低レイテンシ要求を満たすためには、新しいモビリティ管理アプローチが必要である。
本稿では、インテリジェントなユーザアソシエーションとリソースアロケーションを実現するとともに、フレキシブルで適応的なモビリティ管理を可能にする、全体論的MAC層アプローチを提案する。
論文 参考訳(メタデータ) (2022-08-17T03:00:24Z) - Pervasive Machine Learning for Smart Radio Environments Enabled by
Reconfigurable Intelligent Surfaces [56.35676570414731]
Reconfigurable Intelligent Surfaces(RIS)の新たな技術は、スマート無線環境の実現手段として準備されている。
RISは、無線媒体上の電磁信号の伝搬を動的に制御するための、高度にスケーラブルで低コストで、ハードウェア効率が高く、ほぼエネルギーニュートラルなソリューションを提供する。
このような再構成可能な無線環境におけるRISの密配置に関する大きな課題の1つは、複数の準曲面の効率的な構成である。
論文 参考訳(メタデータ) (2022-05-08T06:21:33Z) - Phase Shift Design in RIS Empowered Wireless Networks: From Optimization
to AI-Based Methods [83.98961686408171]
再構成可能なインテリジェントサーフェス(RIS)は、無線ネットワークのための無線伝搬環境をカスタマイズする革命的な機能を持つ。
無線システムにおけるRISの利点を完全に活用するには、反射素子の位相を従来の通信資源と共同で設計する必要がある。
本稿では、RISが課す制約を扱うための現在の最適化手法と人工知能に基づく手法についてレビューする。
論文 参考訳(メタデータ) (2022-04-28T09:26:14Z) - Multi-Agent Reinforcement Learning Based Coded Computation for Mobile Ad
Hoc Computing [6.94732606123235]
マルチエージェント強化学習(MARL)に基づく新しい符号化計算方式を提案する。
MARLには、ネットワーク変更への適応性、高い効率性、不確実なシステム障害に対する堅牢性など、多くの有望な特徴がある。
包括的シミュレーション研究により,提案手法は最先端分散コンピューティングスキームを上回ることができることが示された。
論文 参考訳(メタデータ) (2021-04-15T15:50:57Z) - Enabling Cross-Domain Communication: How to Bridge the Gap between AI
and HW Engineers [0.17205106391379021]
システム設計における重要な問題は、ハードウェア、ソフトウェア、ドメインエキスパート間のコミュニケーションの欠如である。
最近の研究は、ニューラルアクセラレータの自動HW/SW共同設計フローの進歩を示しています。
本稿では、(構成可能な)専用加速器を含むシステムの方法論の確立の可能性について論じる。
論文 参考訳(メタデータ) (2021-04-08T14:05:15Z) - Machine Learning for Massive Industrial Internet of Things [69.52379407906017]
モノのインターネット(IIoT)は、モノのインターネット技術を産業環境に統合することで、将来の製造施設に革命をもたらします。
大規模なIIoTデバイスのデプロイでは、無線ネットワークがさまざまなQoS(Quality-of-Service)要件でユビキタス接続をサポートすることは困難である。
まず、一般的な非クリティカルかつクリティカルなIIoTユースケースの要件を要約します。
次に、大規模なIIoTシナリオと対応する機械学習ソリューションのユニークな特性を、その制限と潜在的な研究方向で識別します。
論文 参考訳(メタデータ) (2021-03-10T20:10:53Z) - Transfer Learning for Future Wireless Networks: A Comprehensive Survey [49.746711269488515]
本稿では,無線ネットワークにおける転送学習の応用に関する包括的調査を行う。
まず,形式的定義,分類,様々な種類のtl技術を含むtlの概要について述べる。
次に,無線ネットワークにおける新たな課題に対処するために,多様なTLアプローチを提案する。
論文 参考訳(メタデータ) (2021-02-15T14:19:55Z) - TinyML for Ubiquitous Edge AI [0.0]
TinyMLは、極低電力域(mW範囲以下)で動作する組み込み(マイクロコントローラ駆動)デバイス上でのディープラーニングアルゴリズムの実現に重点を置いている。
TinyMLは、電力効率が高く、コンパクトなディープニューラルネットワークモデル、ソフトウェアフレームワークのサポート、組み込みハードウェアの設計における課題に対処する。
本報告では,この分野の拡大を導く主要な課題と技術的実現要因について論じる。
論文 参考訳(メタデータ) (2021-02-02T02:04:54Z) - Machine Learning for Intelligent Optical Networks: A Comprehensive
Survey [9.947717243638289]
コミュニケーションネットワークにおけるインテリジェンス向上は必須であり、人工知能(AI)と機械学習(ML)を取り入れている側面もいくつかある。
本稿では,知的光ネットワークにおけるMLの既存応用に関する詳細な調査を行う。
MLの応用は、光学ネットワーク制御と資源管理に分類され、光学ネットワークの監視と生存可能性に分類される。
論文 参考訳(メタデータ) (2020-03-11T13:51:38Z)
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。