論文の概要: CrowdTransfer: Enabling Crowd Knowledge Transfer in AIoT Community
- arxiv url: http://arxiv.org/abs/2407.06485v1
- Date: Tue, 9 Jul 2024 01:20:37 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-10 19:35:13.533343
- Title: CrowdTransfer: Enabling Crowd Knowledge Transfer in AIoT Community
- Title（参考訳）: CrowdTransfer: AIoTコミュニティにおけるクラウド知識転送の実現
- Authors: Yan Liu, Bin Guo, Nuo Li, Yasan Ding, Zhouyangzi Zhang, Zhiwen Yu,
- Abstract要約: Crowd Knowledge Transfer(CrowdTransfer)は、エージェントの集団から学んだ事前知識を移行して、トレーニングコストを削減することを目的としている。
集団知性の観点からは, 導出, 共有, 進化, 融合モードの4つの伝達モードを提示する。
人間の活動認識、都市コンピューティング、マルチロボットシステム、スマートファクトリなど、AIoT分野のいくつかの応用について検討する。
- 参考スコア（独自算出の注目度）: 12.002871068635748
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Artificial Intelligence of Things (AIoT) is an emerging frontier based on the deep fusion of Internet of Things (IoT) and Artificial Intelligence (AI) technologies. Although advanced deep learning techniques enhance the efficient data processing and intelligent analysis of complex IoT data, they still suffer from notable challenges when deployed to practical AIoT applications, such as constrained resources, and diverse task requirements. Knowledge transfer is an effective method to enhance learning performance by avoiding the exorbitant costs associated with data recollection and model retraining. Notably, although there are already some valuable and impressive surveys on transfer learning, these surveys introduce approaches in a relatively isolated way and lack the recent advances of various knowledge transfer techniques for AIoT field. This survey endeavors to introduce a new concept of knowledge transfer, referred to as Crowd Knowledge Transfer (CrowdTransfer), which aims to transfer prior knowledge learned from a crowd of agents to reduce the training cost and as well as improve the performance of the model in real-world complicated scenarios. Particularly, we present four transfer modes from the perspective of crowd intelligence, including derivation, sharing, evolution and fusion modes. Building upon conventional transfer learning methods, we further delve into advanced crowd knowledge transfer models from three perspectives for various AIoT applications. Furthermore, we explore some applications of AIoT areas, such as human activity recognition, urban computing, multi-robot system, and smart factory. Finally, we discuss the open issues and outline future research directions of knowledge transfer in AIoT community.
- Abstract（参考訳）: AI(Artificial Intelligence of Things)は、IoT(Internet of Things)とAI(Artificial Intelligence)技術を深く融合した、新たなフロンティアである。
高度なディープラーニング技術は、複雑なIoTデータの効率的なデータ処理とインテリジェントな分析を促進するが、制約のあるリソースや多様なタスク要件など、実用的なAIoTアプリケーションにデプロイする際、注目すべき課題に悩まされている。
知識伝達は,データ再構成やモデル再学習に伴う余剰コストを回避し,学習性能を向上させる効果的な方法である。
中でも注目すべきは、転送学習に関する貴重な調査がすでにいくつかあるが、これらの調査は比較的孤立したアプローチを導入し、AIoT分野における様々な知識伝達技術の最近の進歩を欠いていることだ。
この調査では、クラウドナレッジトランスファー(Crowd Knowledge Transfer, クラウドナレッジトランスファー)と呼ばれる新しい知識伝達の概念を導入し、エージェントの集団から学んだ事前知識を移譲し、トレーニングコストを削減し、実際の複雑なシナリオにおけるモデルの性能を向上させることを目的としている。
特に,クラウドインテリジェンスの観点からは,導出,共有,進化,融合の4つのモードを提示する。
従来の移動学習法に基づいて,様々なAIoTアプリケーションに対する3つの視点から,より高度なクラウド知識伝達モデルを探索する。
さらに、人間の活動認識、都市コンピューティング、マルチロボットシステム、スマートファクトリなど、AIoT分野の応用についても検討する。
最後に,オープンな課題について論じ,AIoTコミュニティにおける知識伝達の今後の研究方向性について概説する。
関連論文リスト
- Multi-Stage Knowledge Integration of Vision-Language Models for Continual Learning [79.46570165281084]
蒸留法における人間の学習過程をエミュレートするマルチステージ知識統合ネットワーク(MulKI)を提案する。
Mulkiは、イデオロギーの排除、新しいイデオロギーの追加、イデオロギーの排除、コネクティクスの作りという4つの段階を通じてこれを達成している。
提案手法は,下流タスク間の連続学習をサポートしながら,ゼロショット能力の維持における大幅な改善を示す。
論文 参考訳（メタデータ） (2024-11-11T07:36:19Z) - Knowledge Transfer for Cross-Domain Reinforcement Learning: A Systematic Review [2.94944680995069]
強化学習(RL)は、複雑な意思決定問題を解決するために、試行錯誤を通じてエージェントを訓練できるフレームワークを提供する。
異なるタスクから知識を再利用することにより、知識伝達手法はRLのトレーニング時間を短縮する代替手段を提供する。
本稿では,異なる領域間で知識を伝達することに焦点を当てた手法の統一分析を行う。
論文 参考訳（メタデータ） (2024-04-26T20:36:58Z) - Transfer Learning in Robotics: An Upcoming Breakthrough? A Review of Promises and Challenges [21.559563253625207]
トランスファーラーニング(Transfer Learning)は、真にインテリジェントなエンボディエージェントを追求する概念的なパラダイムである。
ロボット,タスク,環境といった重要な概念を考慮に入れた最初の分類法を提供する。
論文 参考訳（メタデータ） (2023-11-29T19:40:10Z) - Transferability analysis of data-driven additive manufacturing
knowledge: a case study between powder bed fusion and directed energy
deposition [10.905886062301224]
本稿では,データ駆動型知識伝達を支援するために,付加生産(AM)における3段階の知識伝達可能性分析フレームワークを提案する。
レーザー粉体融合(LPBF)は、指向性エネルギー沈着(DED)にAIを適用する際の相対的成熟度によって動機付けられた知識の源である
データ表現やモデルアーキテクチャ,モデルパラメータなど,データ駆動型ソリューションのさまざまなレベルでの転送が成功していることを示す。
論文 参考訳（メタデータ） (2023-09-12T14:46:56Z) - Selected Trends in Artificial Intelligence for Space Applications [69.3474006357492]
この章は、差別化可能なインテリジェンスとオンボード機械学習に焦点を当てている。
欧州宇宙機関(ESA)Advanced Concepts Team(ACT)から選ばれたいくつかのプロジェクトについて論じる。
論文 参考訳（メタデータ） (2022-12-10T07:49:50Z) - Multi-Source Transfer Learning for Deep Model-Based Reinforcement
Learning [0.6445605125467572]
強化学習における重要な課題は、エージェントが与えられたタスクをマスターするために必要な環境との相互作用の数を減らすことである。
伝達学習は、以前に学習したタスクから知識を再利用することでこの問題に対処することを提案する。
本研究の目的は,モジュール型マルチソーストランスファー学習技術を用いて,これらの課題に対処することである。
論文 参考訳（メタデータ） (2022-05-28T12:04:52Z) - Transferability in Deep Learning: A Survey [80.67296873915176]
知識を習得し再利用する能力は、ディープラーニングにおける伝達可能性として知られている。
本研究は,深層学習における異なる孤立領域と伝達可能性との関係を関連付けるための調査である。
我々はベンチマークとオープンソースライブラリを実装し、転送可能性の観点からディープラーニング手法の公平な評価を可能にする。
論文 参考訳（メタデータ） (2022-01-15T15:03:17Z) - Pervasive AI for IoT Applications: Resource-efficient Distributed
Artificial Intelligence [45.076180487387575]
人工知能(AI)は、さまざまなモノのインターネット(IoT)アプリケーションやサービスにおいて大きなブレークスルーを目の当たりにした。
これは、感覚データへの容易なアクセスと、リアルタイムデータストリームのゼッタバイト(ZB)を生成する広帯域/ユビキタスデバイスの巨大なスケールによって駆動される。
広範コンピューティングと人工知能の合流により、Pervasive AIはユビキタスIoTシステムの役割を拡大した。
論文 参考訳（メタデータ） (2021-05-04T23:42:06Z) - 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) - Empowering Things with Intelligence: A Survey of the Progress,
Challenges, and Opportunities in Artificial Intelligence of Things [98.10037444792444]
AIがIoTをより速く、より賢く、よりグリーンで、より安全にするための力を与える方法を示します。
まず、認識、学習、推論、行動の4つの視点から、IoTのためのAI研究の進歩を示す。
最後に、私たちの世界を深く再形成する可能性が高いAIoTの有望な応用をいくつかまとめる。
論文 参考訳（メタデータ） (2020-11-17T13:14:28Z) - Transfer Learning in Deep Reinforcement Learning: A Survey [64.36174156782333]
強化学習は、シーケンシャルな意思決定問題を解決するための学習パラダイムである。
近年、ディープニューラルネットワークの急速な発展により、強化学習の顕著な進歩が見られた。
転校学習は 強化学習が直面する様々な課題に 対処するために生まれました
論文 参考訳（メタデータ） (2020-09-16T18:38:54Z)
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。