論文の概要: Edge Graph Intelligence: Reciprocally Empowering Edge Networks with Graph Intelligence

• arxiv url: http://arxiv.org/abs/2407.15320v2
• Date: Tue, 07 Jan 2025 06:39:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-08 15:47:57.486481
• 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: グラフインテリジェンス(GI)はエッジネットワークの最適化を支援し、エッジネットワークはGIモデルのデプロイを促進する。 EGIの研究はいまだに始まったばかりであり、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とAIコミュニティの両方で需要が急増している。 本稿では,1)エッジコンピューティングとグラフ学習の基礎,2)グラフインテリジェンスとエッジネットワークのクローズドループを中心とした新興技術,3)将来のEGIの課題と研究機会を紹介する。
• 参考スコア（独自算出の注目度）: 35.808497808544104
• License:
• Abstract: Recent years have witnessed a thriving growth of computing facilities connected at the network edge, cultivating edge networks as a fundamental infrastructure for supporting miscellaneous intelligent services.Meanwhile, Artificial Intelligence (AI) frontiers have extrapolated to the graph domain and promoted Graph Intelligence (GI). Given the inherent relation between graphs and networks, the interdiscipline of graph learning and edge networks, i.e., Edge GI or EGI, has revealed a novel interplay between them -- GI aids in optimizing edge networks, while edge networks facilitate GI model deployment. Driven by this delicate closed-loop, EGI is recognized as a promising solution to fully unleash the potential of edge computing power and is garnering growing attention. Nevertheless, research on EGI 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. Specifically, this paper introduces and discusses: 1) fundamentals of edge computing and graph 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で接続された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ネットワークが育ち、人工知能(AI)フロンティアがグラフドメインに外挿され、グラフインテリジェンス(GI)が推進されている。 グラフとネットワークの関係を考えると、エッジGIやEGIといったグラフ学習とエッジネットワークの学際性は、エッジネットワークを最適化するのに対して、エッジネットワークはGIモデルのデプロイメントを促進する一方で、それら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認識されており、注目を集めている。 しかし、EGIの研究はいまだに始まったばかりであり、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を包括的に調査する。 具体的には,本論文について紹介し論じる。 1)エッジコンピューティングとグラフ学習の基礎,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にした新興技術 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

• Community-Centric Graph Unlearning [10.906555492206959]
  我々は、新しいグラフ構造マッピング・アンラーニング・パラダイム(GSMU)と、それに基づく新しい手法CGE(Community-centric Graph Eraser)を提案する。 CGEは、コミュニティのサブグラフをノードにマッピングすることで、少ないマップ付きグラフ内でノードレベルの未学習操作の再構築を可能にする。
  論文  参考訳（メタデータ） (2024-08-19T05:37:35Z)
• 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)
• 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。