論文の概要: Trustworthy Edge Machine Learning: A Survey
- arxiv url: http://arxiv.org/abs/2310.17944v1
- Date: Fri, 27 Oct 2023 07:39:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-30 14:32:23.399240
- Title: Trustworthy Edge Machine Learning: A Survey
- Title（参考訳）: 信頼に値するエッジ機械学習:調査
- Authors: Xiaojie Wang, Beibei Wang, Yu Wu, Zhaolong Ning, Song Guo, and Fei
Richard Yu
- Abstract要約: この調査は、信頼できるシステムに対する定義、属性、フレームワーク、テクニック、ソリューションの包括的な概要を提供する。
第6世代ネットワーク(6G)における信頼性の重要性を強調した。
次に、デプロイ時の課題と実際のアプリケーションシナリオの観点から、信頼性の必要性について論じます。
- 参考スコア（独自算出の注目度）: 32.959723590246384
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The convergence of Edge Computing (EC) and Machine Learning (ML), known as
Edge Machine Learning (EML), has become a highly regarded research area by
utilizing distributed network resources to perform joint training and inference
in a cooperative manner. However, EML faces various challenges due to resource
constraints, heterogeneous network environments, and diverse service
requirements of different applications, which together affect the
trustworthiness of EML in the eyes of its stakeholders. This survey provides a
comprehensive summary of definitions, attributes, frameworks, techniques, and
solutions for trustworthy EML. Specifically, we first emphasize the importance
of trustworthy EML within the context of Sixth-Generation (6G) networks. We
then discuss the necessity of trustworthiness from the perspective of
challenges encountered during deployment and real-world application scenarios.
Subsequently, we provide a preliminary definition of trustworthy EML and
explore its key attributes. Following this, we introduce fundamental frameworks
and enabling technologies for trustworthy EML systems, and provide an in-depth
literature review of the latest solutions to enhance trustworthiness of EML.
Finally, we discuss corresponding research challenges and open issues.
- Abstract（参考訳）: エッジ機械学習(eml)として知られるエッジコンピューティング(ec)と機械学習(ml)の収束は、分散ネットワークリソースを活用して共同トレーニングと推論を協調的に行うことで、非常に注目される研究領域となっている。
しかしながら、emlはリソースの制約、異質なネットワーク環境、さまざまなアプリケーションの多様なサービス要件など、さまざまな課題に直面しており、同時にステークホルダーの視点におけるemlの信頼性にも影響を与えている。
この調査は、信頼できるEMLのための定義、属性、フレームワーク、テクニック、ソリューションの包括的な概要を提供する。
具体的には,第6世代(6G)ネットワークのコンテキストにおける信頼性の高いEMLの重要性を強調した。
次に,運用中や実世界のアプリケーションシナリオで遭遇する課題の観点から,信頼性の必要性について考察する。
その後、信頼に値するEMLの予備的な定義を提供し、その重要な属性を探求する。
次に、信頼性の高いEMLシステムのための基本的なフレームワークと技術を導入し、EMLの信頼性を高めるための最新のソリューションの詳細な文献レビューを行う。
最後に、対応する研究課題とオープン課題について論じる。
関連論文リスト
- Engineering Trustworthy AI: A Developer Guide for Empirical Risk Minimization [53.80919781981027]
信頼できるAIのための重要な要件は、経験的リスク最小化のコンポーネントの設計選択に変換できる。
私たちは、AIの信頼性の新たな標準を満たすAIシステムを構築するための実用的なガイダンスを提供したいと思っています。
論文 参考訳（メタデータ） (2024-10-25T07:53:32Z) - Towards Guaranteed Safe AI: A Framework for Ensuring Robust and Reliable AI Systems [88.80306881112313]
我々は、AI安全性に対する一連のアプローチを紹介し、定義する。
これらのアプローチの中核的な特徴は、高保証の定量的安全性保証を備えたAIシステムを作ることである。
これら3つのコアコンポーネントをそれぞれ作成するためのアプローチを概説し、主な技術的課題を説明し、それらに対する潜在的なソリューションをいくつか提案します。
論文 参考訳（メタデータ） (2024-05-10T17:38:32Z) - Socialized Learning: A Survey of the Paradigm Shift for Edge Intelligence in Networked Systems [62.252355444948904]
本稿では,エッジインテリジェンス(EI)と社会学習(SL)の統合に関する文献レビューの結果について述べる。
SLは、エージェントの協調能力と集団知性を増幅することを目的とした、社会的原則と行動に基づく学習パラダイムである。
ソーシャル化アーキテクチャ、ソーシャル化トレーニング、ソーシャル化推論の3つの統合コンポーネントについて詳しく検討し、その強みと弱点を分析した。
論文 参考訳（メタデータ） (2024-04-20T11:07:29Z) - The Security and Privacy of Mobile Edge Computing: An Artificial Intelligence Perspective [64.36680481458868]
Mobile Edge Computing (MEC)は、クラウドコンピューティングと情報技術(IT)サービスをネットワークのエッジで配信できるようにする新しいコンピューティングパラダイムである。
本稿では,人工知能(AI)の観点からMECのセキュリティとプライバシに関する調査を行う。
新たなセキュリティとプライバシの問題に加えて、AIの観点からの潜在的なソリューションにも重点を置いています。
論文 参考訳（メタデータ） (2024-01-03T07:47:22Z) - A Systematic Review on Fostering Appropriate Trust in Human-AI
Interaction [19.137907393497848]
人工知能の適切な信頼(AI)システムは、研究者と実践者の両方にとって、急速に重要な領域になってきた。
信頼度スコア、説明、信頼度基準、不確実性通信など、様々なアプローチがそれを達成するために使われてきた。
本稿では、適切な信頼を構築するための現在の実践、それを測定するためのさまざまな方法、使用するタスクの種類、それに関連する潜在的な課題を特定するための体系的なレビューを示す。
論文 参考訳（メタデータ） (2023-11-08T12:19:58Z) - Trustworthy Federated Learning: A Survey [0.5089078998562185]
人工知能(AI)分野において、フェデレートラーニング(FL)が大きな進歩を遂げている。
我々は、Trustworthy FLの現状を概観し、既存のソリューションとTrustworthyに関連する明確に定義された柱を探求する。
本稿では,解釈可能性,公正性,セキュリティとプライバシの3つの柱を含む分類法を提案する。
論文 参考訳（メタデータ） (2023-05-19T09:11:26Z) - Towards Trustworthy Edge Intelligence: Insights from Voice-Activated
Services [0.0]
エッジインテリジェンスは、スマートサービスのキーとなる技術である。
本稿では,音声アクティベートサービスの具体的な応用シナリオにおいて,信頼に値するエッジインテリジェンスの要件について検討する。
論文 参考訳（メタデータ） (2022-06-20T00:56:21Z) - Trust in AI and Implications for the AEC Research: A Literature Analysis [0.0]
建築、工学、建設(AEC)研究コミュニティは、人工知能(AI)がプロジェクトを改善するために提供する高度なソリューションを活用している。
AEC産業における仕事、労働者、職場の独特な特徴にもかかわらず、AIに対する信頼の概念は文学においてほとんど注目を集めていない。
本稿では,AECにおけるAIとAIの2つの主要な信頼領域における学術文献の包括的分析を行い,AECプロジェクトのユニークな側面と,AIの信頼につながる社会技術的概念との相互作用について考察する。
論文 参考訳（メタデータ） (2022-03-08T04:38:34Z) - Trustworthy AI [75.99046162669997]
入力データの小さな敵対的変化への脆さ、決定の説明能力、トレーニングデータのバイアスに対処する能力は、最も顕著な制限である。
我々は,AIシステムに対するユーザおよび公的な信頼を高める上での6つの重要な問題に対処するために,信頼に値するAIに関するチュートリアルを提案する。
論文 参考訳（メタデータ） (2020-11-02T20:04:18Z)
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。