論文の概要: Integration of TinyML and LargeML: A Survey of 6G and Beyond

• arxiv url: http://arxiv.org/abs/2505.15854v1
• Date: Tue, 20 May 2025 10:54:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-23 17:12:47.813434
• Title: Integration of TinyML and LargeML: A Survey of 6G and Beyond
• Title（参考訳）: TinyMLとLargeMLの統合: 6G以上の調査
• Authors: Thai-Hoc Vu, Ngo Hoang Tu, Thien Huynh-The, Kyungchun Lee, Sunghwan Kim, Miroslav Voznak, Quoc-Viet Pham,
• Abstract要約: 5Gネットワークから6Gへの移行は機械学習(ML)の大きな需要を浮き彫りにする TinyMLとLargeMLの統合は、将来のシームレスな接続性と効率的なリソース管理のための有望なアプローチとして期待されている。 本稿は、TinyMLとLargeMLの次世代無線ネットワークにおける総合的な統合に向けた重要な課題を概説し、今後の研究の方向性を明らかにすることで締めくくっている。
• 参考スコア（独自算出の注目度）: 17.51444581069199
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The transition from 5G networks to 6G highlights a significant demand for machine learning (ML). Deep learning models, in particular, have seen wide application in mobile networking and communications to support advanced services in emerging wireless environments, such as smart healthcare, smart grids, autonomous vehicles, aerial platforms, digital twins, and the metaverse. The rapid expansion of Internet-of-Things (IoT) devices, many with limited computational capabilities, has accelerated the development of tiny machine learning (TinyML) and resource-efficient ML approaches for cost-effective services. However, the deployment of large-scale machine learning (LargeML) solutions require major computing resources and complex management strategies to support extensive IoT services and ML-generated content applications. Consequently, the integration of TinyML and LargeML is projected as a promising approach for future seamless connectivity and efficient resource management. Although the integration of TinyML and LargeML shows abundant potential, several challenges persist, including performance optimization, practical deployment strategies, effective resource management, and security considerations. In this survey, we review and analyze the latest research aimed at enabling the integration of TinyML and LargeML models for the realization of smart services and applications in future 6G networks and beyond. The paper concludes by outlining critical challenges and identifying future research directions for the holistic integration of TinyML and LargeML in next-generation wireless networks.
• Abstract（参考訳）: 5Gネットワークから6Gへの移行は、機械学習(ML)に対する大きな需要を浮き彫りにしている。 特にディープラーニングモデルは、スマートヘルスケア、スマートグリッド、自動運転車、航空プラットフォーム、デジタルツイン、メタバースなどの新興無線環境における高度なサービスをサポートするために、モバイルネットワークや通信に広く応用されている。 計算能力に制限があるIoT(Internet-of-Things)デバイスの急速な拡張により、コスト効率の高いサービスのための小さな機械学習(TinyML)とリソース効率の良いMLアプローチの開発が加速した。 しかし、大規模な機械学習(LargeML)ソリューションのデプロイには、大規模なIoTサービスとML生成コンテンツアプリケーションをサポートするために、大きなコンピューティングリソースと複雑な管理戦略が必要である。 このため、TinyMLとLargeMLの統合は、将来のシームレスな接続性と効率的なリソース管理のための有望なアプローチとして期待されている。 TinyMLとLargeMLの統合は大きな可能性を示しているが、パフォーマンスの最適化、実践的なデプロイメント戦略、効果的なリソース管理、セキュリティ上の考慮など、いくつかの課題が続いている。 本稿では,TinyMLとLargeMLモデルを統合して,今後6Gネットワークなどにおけるスマートサービスやアプリケーションの実現を実現するための最新の研究をレビューし,分析する。 本稿は、TinyMLとLargeMLの次世代無線ネットワークにおける総合的な統合に向けた重要な課題を概説し、今後の研究の方向性を明らかにすることで締めくくっている。

関連論文リスト

• Large-Scale AI in Telecom: Charting the Roadmap for Innovation, Scalability, and Enhanced Digital Experiences [212.5544743797899]
  大型通信モデル(LTM)は、現代の通信ネットワークが直面する複雑な課題に対処するために設計されたAIモデルである。 本稿は、LTMのアーキテクチャとデプロイメント戦略から、ネットワーク管理、リソース割り当て、最適化における彼らのアプリケーションまで、幅広いトピックについて論じる。
  論文  参考訳（メタデータ） (2025-03-06T07:53:24Z)
• Consolidating TinyML Lifecycle with Large Language Models: Reality, Illusion, or Opportunity? [3.1471494780647795]
  本稿では,Large Language Models(LLM)がTinyMLライフサイクルの自動化と合理化に有効かどうかを考察する。 我々は,自然言語処理(NLP)とLLMのコード生成機能を活用して開発時間を短縮し,TinyMLデプロイメントの参入障壁を低くするフレームワークを開発した。
  論文  参考訳（メタデータ） (2025-01-20T22:20:57Z)
• Benchmarking Large and Small MLLMs [71.78055760441256]
  大規模なマルチモーダル言語モデル(MLLM)は、マルチモーダルコンテンツの理解と生成において顕著な進歩を遂げている。 しかし、そのデプロイメントは、遅い推論、高い計算コスト、デバイス上のアプリケーションに対する非現実性など、重大な課題に直面している。 LLavaシリーズモデルとPhi-3-Visionによって実証された小さなMLLMは、より高速な推論、デプロイメントコストの削減、ドメイン固有のシナリオを扱う能力を備えた有望な代替手段を提供する。
  論文  参考訳（メタデータ） (2025-01-04T07:44:49Z)
• Efficient Prompting for LLM-based Generative Internet of Things [88.84327500311464]
  大規模言語モデル(LLM)は、様々なタスクにおいて顕著な能力を示しており、最近、IoT(Internet of Things)アプリケーションにLLMの能力を統合することが研究の注目を集めている。 セキュリティ上の懸念から、多くの機関は最先端の商用LLMサービスへのアクセスを避け、ローカルネットワーク環境でのオープンソースLLMのデプロイと利用を必要としている。 本研究では,LLMを用いた生成IoT(Generative IoT)システムを提案する。
  論文  参考訳（メタデータ） (2024-06-14T19:24:00Z)
• When Large Language Model Agents Meet 6G Networks: Perception, Grounding, and Alignment [100.58938424441027]
  モバイル端末とエッジサーバの協調を利用した6GネットワークにおけるAIエージェントの分割学習システムを提案する。 提案システムでは,LLMのための新しいモデルキャッシングアルゴリズムを導入し,コンテキストにおけるモデル利用を改善する。
  論文  参考訳（メタデータ） (2024-01-15T15:20:59Z)
• TinyML: Tools, Applications, Challenges, and Future Research Directions [2.9398911304923456]
  TinyMLは、安価でリソースに制約のあるデバイス上でのMLアプリケーションを可能にする、組み込み機械学習技術である。 この記事では、TinyML実装で利用可能なさまざまな方法についてレビューする。
  論文  参考訳（メタデータ） (2023-03-23T15:29:48Z)
• Machine Learning for QoS Prediction in Vehicular Communication: Challenges and Solution Approaches [46.52224306624461]
  最大スループット予測の強化,例えばストリーミングや高精細マッピングアプリケーションについて検討する。 収集したデータの基盤となる特性をよりよく理解することで、マシンラーニング技術上に信頼性を構築することができるかを強調します。 我々は、説明可能なAIを使用して、機械学習が明示的にプログラムされることなく、無線ネットワークの基本原理を学習できることを示す。
  論文  参考訳（メタデータ） (2023-02-23T12:29:20Z)
• Distributed Machine Learning for Wireless Communication Networks: Techniques, Architectures, and Applications [1.647426214278143]
  分散機械学習(DML)技術は、無線通信にますます応用されている。 大規模、地理的に分散したデプロイメント、ユーザモビリティ、大量のデータなど、無線システムのユニークな特徴は、DML技術の設計に新たな課題をもたらす。 この調査は、無線ネットワークに焦点をあてた、現代的で包括的なDML技術の調査を提供することによって、ギャップを埋めるものである。
  論文  参考訳（メタデータ） (2020-12-02T19:53:32Z)
• Machine Learning for Intelligent Optical Networks: A Comprehensive Survey [9.947717243638289]
  コミュニケーションネットワークにおけるインテリジェンス向上は必須であり、人工知能(AI)と機械学習(ML)を取り入れている側面もいくつかある。 本稿では,知的光ネットワークにおけるMLの既存応用に関する詳細な調査を行う。 MLの応用は、光学ネットワーク制御と資源管理に分類され、光学ネットワークの監視と生存可能性に分類される。
  論文  参考訳（メタデータ） (2020-03-11T13:51:38Z)

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。