論文の概要: Large Language Models Empowered Autonomous Edge AI for Connected Intelligence

• arxiv url: http://arxiv.org/abs/2307.02779v1
• Date: Thu, 6 Jul 2023 05:16:55 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-07 15:03:23.153448
• Title: Large Language Models Empowered Autonomous Edge AI for Connected Intelligence
• Title（参考訳）: 大規模言語モデルによるコネクテッドインテリジェンスのための自律エッジAI
• Authors: Yifei Shen, Jiawei Shao, Xinjie Zhang, Zehong Lin, Hao Pan, Dongsheng Li, Jun Zhang, Khaled B. Letaief
• Abstract要約: 我々は、ユーザのさまざまな要件を満たすために、自動的に組織化し、適応し、最適化する、自律的なエッジAIシステムを導入します。 このシステムはクラウド・エッジ・クライアント型階層型アーキテクチャを採用しており、大規模言語モデルであるGenerative Pretrained Transformer (GPT)がクラウドに存在する。 言語理解,計画,コード生成におけるGPTの強力な能力を活用することで,エッジAIモデルを効率的にコーディネートする汎用的なフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 26.64501193379651
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The evolution of wireless networks gravitates towards connected intelligence, a concept that envisions seamless interconnectivity among humans, objects, and intelligence in a hyper-connected cyber-physical world. Edge AI emerges as a promising solution to achieve connected intelligence by delivering high-quality, low-latency, and privacy-preserving AI services at the network edge. In this article, we introduce an autonomous edge AI system that automatically organizes, adapts, and optimizes itself to meet users' diverse requirements. The system employs a cloud-edge-client hierarchical architecture, where the large language model, i.e., Generative Pretrained Transformer (GPT), resides in the cloud, and other AI models are co-deployed on devices and edge servers. By leveraging the powerful abilities of GPT in language understanding, planning, and code generation, we present a versatile framework that efficiently coordinates edge AI models to cater to users' personal demands while automatically generating code to train new models via edge federated learning. Experimental results demonstrate the system's remarkable ability to accurately comprehend user demands, efficiently execute AI models with minimal cost, and effectively create high-performance AI models through federated learning.
• Abstract（参考訳）: ワイヤレスネットワークの進化は、超接続されたサイバー物理世界における人間、物体、および知性のシームレスな相互接続を想定した、コネクテッド・インテリジェンス(connected intelligence)へと向かっている。 エッジAIは、ネットワークエッジで高品質で低レイテンシ、プライバシ保護のAIサービスを提供することで、コネクテッドインテリジェンスを実現するための有望なソリューションとして登場します。 本稿では,ユーザの多様な要件を満たすために,自動編成,適応,最適化を行う自律エッジAIシステムを紹介する。 このシステムはクラウド・エッジ・クライアントの階層アーキテクチャを採用しており、大きな言語モデル、すなわちジェネレーティブ・プレトレーニング・トランスフォーマー(GPT)がクラウドに存在し、他のAIモデルがデバイスやエッジサーバで共同デプロイされる。 言語理解,計画,コード生成におけるGPTの強力な能力を活用することで,エッジAIモデルを効率的にコーディネートし,ユーザの個人的要求に応えるとともに,エッジフェデレーション学習を通じて新たなモデルをトレーニングするためのコードを自動的に生成する,汎用的なフレームワークを提案する。 実験結果は,ユーザの要求を正確に理解し,最小限のコストでaiモデルを効率的に実行し,連合学習による高性能aiモデルを効果的に作成するシステムの驚くべき能力を示している。

関連論文リスト

• Artificial General Intelligence (AGI)-Native Wireless Systems: A Journey Beyond 6G [58.440115433585824]
  デジタルツイン(DT)のようなサービスをサポートする将来の無線システムの構築は、メタサーフェスのような従来の技術への進歩を通じて達成することが困難である。 人工知能(AI)ネイティブネットワークは、無線技術のいくつかの制限を克服することを約束する一方で、開発は依然としてニューラルネットワークのようなAIツールに依存している。 本稿では、AIネイティブ無線システムの概念を再考し、それらを人工知能(AGI)ネイティブシステムに変換するために必要な共通感覚を取り入れた。
  論文  参考訳（メタデータ） (2024-04-29T04:51:05Z)
• Federated Learning-Empowered AI-Generated Content in Wireless Networks [58.48381827268331]
  フェデレートドラーニング(FL)は、学習効率を改善し、AIGCのプライバシー保護を達成するために利用することができる。 我々は,AIGCの強化を目的としたFLベースの技術を提案し,ユーザが多様でパーソナライズされた高品質なコンテンツを作成できるようにすることを目的とする。
  論文  参考訳（メタデータ） (2023-07-14T04:13:11Z)
• Personalized Resource Allocation in Wireless Networks: An AI-Enabled and Big Data-Driven Multi-Objective Optimization [22.77447144331876]
  AI(Artificial Intelligence)は、無線ネットワークの設計と最適化に使用される。 AIの将来の主な応用の1つは、多くのユースケースに対してユーザーレベルのパーソナライズを可能にすることである。 本稿で提唱されるパーソナライズ技術は,ネットワークリソースの不足をマイクロマネジメントするために設計された,インテリジェントなビッグデータ駆動層によって支えられている。
  論文  参考訳（メタデータ） (2023-07-08T00:26:36Z)
• HuggingGPT: Solving AI Tasks with ChatGPT and its Friends in Hugging Face [85.25054021362232]
  大規模言語モデル(LLM)は、言語理解、生成、相互作用、推論において例外的な能力を示した。 LLMは、複雑なAIタスクを解決するために既存のAIモデルを管理するコントローラとして機能する可能性がある。 本稿では,機械学習コミュニティのさまざまなAIモデルを接続するLLMエージェントであるHuggingGPTを紹介する。
  論文  参考訳（メタデータ） (2023-03-30T17:48:28Z)
• Optimization Design for Federated Learning in Heterogeneous 6G Networks [27.273745760946962]
  フェデレーテッド・ラーニング(FL)は、6GネットワークでユビキタスAIを実現するための重要な実現手段として期待されている。 6Gネットワークにおける有効かつ効率的なFL実装には、いくつかのシステムおよび統計的不均一性の課題がある。 本稿では,これらの課題に効果的に対処できる最適化手法について検討する。
  論文  参考訳（メタデータ） (2023-03-15T02:18:21Z)
• Enabling AI-Generated Content (AIGC) Services in Wireless Edge Networks [68.00382171900975]
  無線エッジネットワークでは、不正に生成されたコンテンツの送信はネットワークリソースを不要に消費する可能性がある。 我々は、AIGC-as-a-serviceの概念を示し、エッジネットワークにAをデプロイする際の課題について議論する。 最適なASP選択のための深層強化学習可能なアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-01-09T09:30:23Z)
• Edge Artificial Intelligence for 6G: Vision, Enabling Technologies, and Applications [39.223546118441476]
  6Gはワイヤレスの進化を「コネクテッドモノ」から「コネクテッドインテリジェンス」に変革する ディープラーニングとビッグデータ分析に基づくAIシステムは、膨大な計算と通信資源を必要とする。 エッジAIは、センサー、通信、計算、インテリジェンスをシームレスに統合する6Gの破壊的技術として際立っている。
  論文  参考訳（メタデータ） (2021-11-24T11:47:16Z)
• Towards Self-learning Edge Intelligence in 6G [143.1821636135413]
  エッジインテリジェンス(エッジインテリジェンス、Edge Intelligence、別名エッジネイティブ人工知能(AI))は、AI、通信ネットワーク、モバイルエッジコンピューティングのシームレスな統合に焦点を当てた新興技術フレームワークである。 本稿では、6GにおけるエッジネイティブAIの重要な要件と課題を特定する。
  論文  参考訳（メタデータ） (2020-10-01T02:16:40Z)
• Communication-Efficient Edge AI Inference Over Wireless Networks [33.1306043471745]
  我々は、低レイテンシでエネルギー効率のよいAIサービスを提供するために、ネットワークエッジにモデル推論を効率的に配置する原則を提示する。 これには、低遅延デバイス分散モデル推論のための無線分散コンピューティングフレームワークと、エネルギー効率の良いエッジ協調モデル推論のための無線協調送信戦略が含まれる。
  論文  参考訳（メタデータ） (2020-04-28T08:04:06Z)
• Federated Machine Learning for Intelligent IoT via Reconfigurable Intelligent Surface [35.64178319119883]
  我々は,インテリジェントIoTネットワークのための,オーバー・ザ・エアに基づく通信効率の高いフェデレーション機械学習フレームワークを開発した。 モデル集約誤差を低減するために,マルチアクセスチャネルの波形重畳特性を利用する。
  論文  参考訳（メタデータ） (2020-04-13T09:48:04Z)

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。