論文の概要: Edge Graph Intelligence: Reciprocally Empowering Edge Networks with Graph Intelligence
- arxiv url: http://arxiv.org/abs/2407.15320v1
- Date: Sun, 7 Jul 2024 09:25:52 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-28 18:29:13.449658
- Title: Edge Graph Intelligence: Reciprocally Empowering Edge Networks with Graph Intelligence
- Title（参考訳）: エッジグラフインテリジェンス:グラフインテリジェンスでエッジネットワークを相互に強化
- Authors: Liekang Zeng, Shengyuan Ye, Xu Chen, Xiaoxi Zhang, Ju Ren, Jian Tang, Yang Yang, Xuemin, Shen,
- Abstract要約: 本稿では、エッジGI(EGI)の概念を推進し、その範囲と基本原則を探求し、この新興分野に関する最近の研究成果を包括的に調査する。
EGIはエッジコンピューティングのパワーを完全に解き放つための有望なソリューションとして広く認識されており、注目されている。
- 参考スコア（独自算出の注目度）: 35.808497808544104
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent years have witnessed a thriving growth of computing facilities connected at the network edge, cultivating edge computing networks as a fundamental infrastructure for supporting miscellaneous intelligent services. Meanwhile, Artificial Intelligence frontiers have extrapolated Machine Learning to the graph domain and promoted Graph Intelligence (GI), which unlocks unprecedented ability in learning from massive data in graph structures. Given the inherent relation between graphs and networks, the interdiscipline of graph representation learning and edge networks, i.e., Edge GI or EGI, has revealed a novel interplay between them -- GI models principally open a new door for modeling, understanding, and optimizing edge networks, and conversely, edge networks serve as physical support for training, deploying, and accelerating GI models. Driven by this delicate closed-loop, EGI can be widely recognized as a promising solution to fully unleash the potential of edge computing power and is garnering significant attention. Nevertheless, research on EGI yet remains nascent, and there is a soaring demand within both the communications and AI communities for a dedicated venue to share recent advancements. To this end, this paper promotes the concept of EGI, explores its scope and core principles, and conducts a comprehensive survey concerning recent research efforts on this emerging field and specifically, introduces and discusses: 1) fundamentals of edge computing and graph representation learning, 2) emerging techniques centering on the closed loop between graph intelligence and edge networks, and 3) open challenges and research opportunities of future EGI. By bridging the gap across communication, networking, and graph learning areas, we believe that this survey can garner increased attention, foster meaningful discussions, and inspire further research ideas in EGI.
- Abstract（参考訳）: 近年、ネットワークエッジに接続するコンピューティング施設が成長し、さまざまなインテリジェントサービスをサポートするための基盤としてエッジコンピューティングネットワークを育んでいる。
一方、人工知能フロンティアは、グラフドメインに機械学習を外挿し、グラフ構造における巨大なデータから学習する前例のない能力を解放するグラフインテリジェンス(GI)を推進した。
グラフとネットワークの固有の関係を考えると、グラフ表現学習とエッジネットワーク、すなわちエッジGIまたはEDGの学際性は、それらの間の新たな相互作用を明らかにしている。
この繊細なクローズドループによって駆動されるEGIは、エッジコンピューティングパワーの可能性を完全に解き放つための有望なソリューションとして広く認識され、注目を集めている。
それでも、EGIの研究はまだ初期段階にあり、最近の進歩を共有するための専用会場として、コミュニケーションコミュニティとAIコミュニティの両方で需要が急増している。
この目的のために、本稿では、EGIの概念を推進し、その範囲と基本原則を探求し、この新興分野に関する最近の研究成果に関する総合的な調査を行い、その紹介と議論を行う。
1)エッジコンピューティングとグラフ表現学習の基礎
2)グラフインテリジェンスとエッジネットワークの閉ループを中心とした新興技術
3)今後のECGの課題と研究の機会。
コミュニケーション,ネットワーク,グラフ学習領域間のギャップを埋めることで,この調査は注目度を高め,有意義な議論を奨励し,EGIにおけるさらなる研究思想を刺激する可能性があると信じている。
関連論文リスト
- A Study on Knowledge Graph Embeddings and Graph Neural Networks for Web
Of Things [0.0]
将来的には、Web Of Things(WoT)の領域における知識グラフは、物理世界のデジタル表現を提供することである。
本稿では,グラフエンティティの数値表現を学習するために,最先端知識グラフ埋め込み(KGE)法について検討する。
また、KGEとともにグラフニューラルネットワーク(GNN)を調査し、同じ下流タスクでの性能を比較する。
論文 参考訳（メタデータ） (2023-10-23T12:36:33Z) - A Survey of Graph Unlearning [11.841882902141696]
グラフアンラーニングは、トレーニングされたモデルからセンシティブなデータトレースを取り除き、忘れられる権利を維持する手段を提供する。
本稿では,多種多様な方法論を包含したグラフアンラーニング手法の体系的レビューを行う。
我々は、ソーシャルネットワーク、敵対的設定、リソース制約のある環境など、さまざまな領域にわたるグラフアンラーニングの汎用性について検討する。
論文 参考訳（メタデータ） (2023-08-23T20:50:52Z) - Graph Neural Networks in Computer Vision -- Architectures, Datasets and
Common Approaches [10.60034824788636]
グラフニューラルネットワーク(GNN)は、グラフ上のノード間で存在するメカニズムにインスパイアされたグラフネットワークのファミリーである。
この貢献は、コンピュータビジョンに対するGNNベースのアプローチに関する論文を収集することを目的としている。
論文 参考訳（メタデータ） (2022-12-20T12:40:29Z) - Graph-based Deep Learning for Communication Networks: A Survey [1.1977931648859175]
本稿では,通信ネットワークにおけるグラフベースのディープラーニング手法の適用に焦点を当てた最初の調査である。
フォローアップ調査を追跡するために、パブリックGitHubリポジトリが作成され、関連する論文が継続的に更新される。
論文 参考訳（メタデータ） (2021-06-04T14:59:10Z) - 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) - Graph signal processing for machine learning: A review and new
perspectives [57.285378618394624]
本稿では,GSPの概念とツール,例えばグラフフィルタや変換による新しい機械学習アルゴリズム開発への重要な貢献について概説する。
本稿では,データ構造とリレーショナル事前の活用,データと計算効率の向上,モデル解釈可能性の向上について論じる。
我々は,応用数学と信号処理の橋渡しとなるGSP技術と,他方の機械学習とネットワーク科学の橋渡しとなる新たな視点を提供する。
論文 参考訳（メタデータ） (2020-07-31T13:21:33Z) - GCC: Graph Contrastive Coding for Graph Neural Network Pre-Training [62.73470368851127]
グラフ表現学習は現実世界の問題に対処する強力な手法として登場した。
自己教師付きグラフニューラルネットワーク事前トレーニングフレームワークであるGraph Contrastive Codingを設計する。
3つのグラフ学習タスクと10のグラフデータセットについて実験を行った。
論文 参考訳（メタデータ） (2020-06-17T16:18:35Z) - Geometrically Principled Connections in Graph Neural Networks [66.51286736506658]
我々は、幾何学的深層学習の新興分野におけるイノベーションの原動力は、幾何が依然として主要な推進力であるべきだと論じている。
グラフニューラルネットワークとコンピュータグラフィックスとデータ近似モデルとの関係:放射基底関数(RBF)
完全連結層とグラフ畳み込み演算子を組み合わせた新しいビルディングブロックであるアフィンスキップ接続を導入する。
論文 参考訳（メタデータ） (2020-04-06T13:25:46Z) - Tensor Graph Convolutional Networks for Multi-relational and Robust
Learning [74.05478502080658]
本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。
提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
論文 参考訳（メタデータ） (2020-03-15T02:33:21Z)
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。