論文の概要: Leveraging The Edge-to-Cloud Continuum for Scalable Machine Learning on Decentralized Data

• arxiv url: http://arxiv.org/abs/2306.10848v1
• Date: Mon, 19 Jun 2023 10:59:41 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-21 18:07:27.436944
• Title: Leveraging The Edge-to-Cloud Continuum for Scalable Machine Learning on Decentralized Data
• Title（参考訳）: 分散データによるスケーラブル機械学習のためのエッジ・ツー・クラウド・コンティニュムの活用
• Authors: Ahmed M. Abdelmoniem
• Abstract要約: この研究は、Edge AI/MLが広く採用されるのを防ぐ重要な課題を強調しようとしている。 新しいデザインは、トレーニングされたモデルをコモディティとして扱うモデル中心として想定されている。 この設計は、大規模に効率的な協調学習のための分散フレームワークを提供するものと期待されている。
• 参考スコア（独自算出の注目度）: 3.448338949969246
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With mobile, IoT and sensor devices becoming pervasive in our life and recent advances in Edge Computational Intelligence (e.g., Edge AI/ML), it became evident that the traditional methods for training AI/ML models are becoming obsolete, especially with the growing concerns over privacy and security. This work tries to highlight the key challenges that prohibit Edge AI/ML from seeing wide-range adoption in different sectors, especially for large-scale scenarios. Therefore, we focus on the main challenges acting as adoption barriers for the existing methods and propose a design with a drastic shift from the current ill-suited approaches. The new design is envisioned to be model-centric in which the trained models are treated as a commodity driving the exchange dynamics of collaborative learning in decentralized settings. It is expected that this design will provide a decentralized framework for efficient collaborative learning at scale.
• Abstract（参考訳）: モバイル、IoT、センサーデバイスが私たちの生活で広く普及し、エッジコンピュータインテリジェンス(Edge AI/MLなど)の最近の進歩により、AI/MLモデルをトレーニングする従来の方法が、特にプライバシとセキュリティに関する懸念が高まるにつれて、時代遅れになっていることが判明した。 この研究は、特に大規模なシナリオにおいて、Edge AI/MLがさまざまなセクターで広く採用されることを妨げる重要な課題を強調している。 そこで本研究では,既存手法の採用障壁として働く主な課題に注目し,現在の不適切なアプローチから大きく移行した設計を提案する。 新しいデザインは、訓練されたモデルを分散環境での協調学習の交換ダイナミクスを駆動するコモディティとして扱うモデル中心となることを想定している。 この設計は、大規模で効率的な協調学習のための分散フレームワークを提供することが期待されている。

関連論文リスト

• Implementation of Big AI Models for Wireless Networks with Collaborative Edge Computing [10.524645516703643]
  大きなAIモデルのトレーニングは、エッジデバイスに重大な課題をもたらす。 従来のアプローチでは、トレーニングデータを集約して、集中的なトレーニングのためにリモートクラウドに送信するのが一般的だった。 我々は、信頼されたエッジデバイス群をリソースプールとしてオーケストレーションする新しいトレーニングメカニズムである協調エッジトレーニングを提案する。
  論文  参考訳（メタデータ） (2024-04-27T03:09:39Z)
• 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)
• 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)
• Learning to Anticipate Future with Dynamic Context Removal [47.478225043001665]
  将来のイベントを予想することは、インテリジェントシステムとAIの具体化にとって不可欠な機能である。 本研究では,動的文脈除去(DCR)と呼ばれる新しい学習手法を提案する。 我々の学習方式はプラグアンドプレイであり、トランスフォーマーやLSTMを含む推論モデルを統合することは容易であり、有効性と効率性の両方に利点がある。
  論文  参考訳（メタデータ） (2022-04-06T05:24:28Z)
• INTERN: A New Learning Paradigm Towards General Vision [117.3343347061931]
  我々はInterNという新しい学習パラダイムを開発した。 複数の段階の複数のソースからの監視信号を用いて学習することにより、トレーニング対象のモデルは強力な一般化性を生み出す。 ほとんどの場合、ターゲットドメインのトレーニングデータの10%しか適応していないモデルが、完全なデータセットでトレーニングされたトレーニングデータよりも優れています。
  論文  参考訳（メタデータ） (2021-11-16T18:42:50Z)
• Federated Learning: A Signal Processing Perspective [144.63726413692876]
  フェデレーションラーニングは、データを明示的に交換することなく、ローカルデータセットを保持する複数のエッジデバイスでモデルをトレーニングするための新しい機械学習パラダイムです。 本稿では、信号処理ツールを用いて扱うのが自然である主な課題をカプセル化し、強調する、連合学習のための統一的な体系的フレームワークを提供する。
  論文  参考訳（メタデータ） (2021-03-31T15:14:39Z)
• Enabling Design Methodologies and Future Trends forEdge AI: Specialization and Co-design [37.54971466190214]
  エッジAI開発スタック全体にまたがる、最新の可能な設計方法論に関する包括的な調査を提供する。 効率的なエッジAI開発のための重要な手法は、単層特殊化とクロス層共同設計である。
  論文  参考訳（メタデータ） (2021-03-25T16:29:55Z)
• SCEI: A Smart-Contract Driven Edge Intelligence Framework for IoT Systems [15.796325306292134]
  フェデレートラーニング(FL)は、データプライバシを維持しながら、エッジデバイス上で共有モデルの協調トレーニングを可能にする。 様々なパーソナライズされたアプローチが提案されているが、そのようなアプローチはデータ分散の根底にある変化に対処できない。 本稿では,ブロックチェーンとフェデレーション学習に基づく動的に最適化された個人深層学習手法を提案する。
  論文  参考訳（メタデータ） (2021-03-12T02:57:05Z)
• 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)
• 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。