論文の概要: Onboard Optimization and Learning: A Survey

• arxiv url: http://arxiv.org/abs/2505.08793v1
• Date: Wed, 07 May 2025 07:47:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-15 21:44:09.209314
• Title: Onboard Optimization and Learning: A Survey
• Title（参考訳）: オンボード最適化と学習: 調査
• Authors: Monirul Islam Pavel, Siyi Hu, Mahardhika Pratama, Ryszard Kowalczyk,
• Abstract要約: オンボード学習は、エッジAIにおける変革的なアプローチであり、リソース制約のあるデバイス上で、リアルタイムデータ処理、意思決定、適応モデルのトレーニングを可能にする。 しかし、オンボード学習は、限られた計算リソース、高い推論コスト、セキュリティ脆弱性といった課題に直面している。 本調査では,モデル効率の最適化,推論の高速化,分散デバイス間の協調学習を支援する技術について検討する。
• 参考スコア（独自算出の注目度）: 10.511932152633253
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Onboard learning is a transformative approach in edge AI, enabling real-time data processing, decision-making, and adaptive model training directly on resource-constrained devices without relying on centralized servers. This paradigm is crucial for applications demanding low latency, enhanced privacy, and energy efficiency. However, onboard learning faces challenges such as limited computational resources, high inference costs, and security vulnerabilities. This survey explores a comprehensive range of methodologies that address these challenges, focusing on techniques that optimize model efficiency, accelerate inference, and support collaborative learning across distributed devices. Approaches for reducing model complexity, improving inference speed, and ensuring privacy-preserving computation are examined alongside emerging strategies that enhance scalability and adaptability in dynamic environments. By bridging advancements in hardware-software co-design, model compression, and decentralized learning, this survey provides insights into the current state of onboard learning to enable robust, efficient, and secure AI deployment at the edge.
• Abstract（参考訳）: オンボード学習は、エッジAIにおける変革的なアプローチであり、集中型サーバに頼ることなく、リソース制約のあるデバイス上で、リアルタイムのデータ処理、意思決定、適応モデルのトレーニングを可能にする。 このパラダイムは、低レイテンシ、プライバシー強化、エネルギー効率を必要とするアプリケーションに不可欠である。 しかし、オンボード学習は、限られた計算リソース、高い推論コスト、セキュリティ脆弱性といった課題に直面している。 本調査では,モデル効率の最適化,推論の高速化,分散デバイス間の協調学習のサポートなど,これらの課題に対処する包括的な方法論について検討する。 動的環境におけるスケーラビリティと適応性を向上する新たな戦略とともに,モデル複雑性の低減,推論速度の向上,プライバシ保護計算の確保について検討した。 ハードウェアとソフトウェアの共同設計、モデル圧縮、分散学習の進歩をブリッジすることによって、この調査は、オンボード学習の現状に関する洞察を提供し、エッジにおける堅牢で効率的でセキュアなAIデプロイメントを可能にする。

関連論文リスト

• Edge-Cloud Collaborative Computing on Distributed Intelligence and Model Optimization: A Survey [59.52058740470727]
  エッジクラウドコラボレーティブコンピューティング(ECCC)は、現代のインテリジェントアプリケーションの計算要求に対処するための重要なパラダイムとして登場した。 AIの最近の進歩、特にディープラーニングと大規模言語モデル(LLM)は、これらの分散システムの能力を劇的に向上させてきた。 この調査は、基本的なアーキテクチャ、技術の実現、新しいアプリケーションに関する構造化されたチュートリアルを提供する。
  論文  参考訳（メタデータ） (2025-05-03T13:55:38Z)
• A Survey on Inference Optimization Techniques for Mixture of Experts Models [50.40325411764262]
  大規模Mixture of Experts(MoE)モデルは、条件計算によるモデル容量と計算効率の向上を提供する。 これらのモデル上で推論をデプロイし実行することは、計算資源、レイテンシ、エネルギー効率において大きな課題を示す。 本調査では,システムスタック全体にわたるMoEモデルの最適化手法について分析する。
  論文  参考訳（メタデータ） (2024-12-18T14:11:15Z)
• Meta-Learning for Speeding Up Large Model Inference in Decentralized Environments [17.309238729647287]
  分散AIシステムにおける推論促進のためのメタラーニングベースのフレームワークを提案する。 従来の手法とは異なり,本フレームワークは各タスクの特徴に基づいて,最適な加速度戦略を体系的に同定する。 我々の結果は、分散AIシステムにおける推論加速に革命をもたらすメタラーニングの可能性を強調した。
  論文  参考訳（メタデータ） (2024-10-28T04:29:16Z)
• Center-Sensitive Kernel Optimization for Efficient On-Device Incremental Learning [88.78080749909665]
  現在のオンデバイストレーニング手法は、破滅的な忘れを考慮せずに、効率的なトレーニングにのみ焦点をあてている。 本稿では,単純だが効果的なエッジフレンドリーなインクリメンタル学習フレームワークを提案する。 本手法は,メモリの削減と近似計算により,平均精度38.08%の高速化を実現する。
  論文  参考訳（メタデータ） (2024-06-13T05:49:29Z)
• Machine Learning Insides OptVerse AI Solver: Design Principles and Applications [74.67495900436728]
  本稿では,Huawei CloudのOpsVerse AIソルバに機械学習(ML)技術を統合するための総合的研究について述べる。 本稿では,実世界の多面構造を反映した生成モデルを用いて,複雑なSATインスタンスとMILPインスタンスを生成する手法を紹介する。 本稿では,解解器性能を著しく向上させる,最先端パラメータチューニングアルゴリズムの導入について詳述する。
  論文  参考訳（メタデータ） (2024-01-11T15:02:15Z)
• Privacy-Preserving Serverless Edge Learning with Decentralized Small Data [13.254530176359182]
  最近、分散トレーニング戦略は、ディープモデルをトレーニングする際のデータプライバシを保証するための有望なアプローチになっている。 本稿では、従来のサーバレスプラットフォームをサーバレスエッジ学習アーキテクチャで拡張し、ネットワークの観点から効率的な分散トレーニングフレームワークを提供する。
  論文  参考訳（メタデータ） (2021-11-29T21:04:49Z)

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。