論文の概要: Edge Intelligence with Spiking Neural Networks

• arxiv url: http://arxiv.org/abs/2507.14069v1
• Date: Fri, 18 Jul 2025 16:47:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-21 20:43:26.364295
• Title: Edge Intelligence with Spiking Neural Networks
• Title（参考訳）: スパイクニューラルネットワークによるエッジインテリジェンス
• Authors: Shuiguang Deng, Di Yu, Changze Lv, Xin Du, Linshan Jiang, Xiaofan Zhao, Wentao Tong, Xiaoqing Zheng, Weijia Fang, Peng Zhao, Gang Pan, Schahram Dustdar, Albert Y. Zomaya,
• Abstract要約: Spiking Neural Networks(SNN)は、リソース制約のあるデバイス上で、低消費電力でイベント駆動型の計算を提供する。 神経モデル,学習アルゴリズム,ハードウェアプラットフォームなどを含むEdgeSNN基盤の系統分類について述べる。 軽量SNNモデルを用いたデバイス上の推論、非定常データ条件下でのリソース認識トレーニングと更新、セキュアでプライバシ保護の問題。
• 参考スコア（独自算出の注目度）: 50.33340747216377
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The convergence of artificial intelligence and edge computing has spurred growing interest in enabling intelligent services directly on resource-constrained devices. While traditional deep learning models require significant computational resources and centralized data management, the resulting latency, bandwidth consumption, and privacy concerns have exposed critical limitations in cloud-centric paradigms. Brain-inspired computing, particularly Spiking Neural Networks (SNNs), offers a promising alternative by emulating biological neuronal dynamics to achieve low-power, event-driven computation. This survey provides a comprehensive overview of Edge Intelligence based on SNNs (EdgeSNNs), examining their potential to address the challenges of on-device learning, inference, and security in edge scenarios. We present a systematic taxonomy of EdgeSNN foundations, encompassing neuron models, learning algorithms, and supporting hardware platforms. Three representative practical considerations of EdgeSNN are discussed in depth: on-device inference using lightweight SNN models, resource-aware training and updating under non-stationary data conditions, and secure and privacy-preserving issues. Furthermore, we highlight the limitations of evaluating EdgeSNNs on conventional hardware and introduce a dual-track benchmarking strategy to support fair comparisons and hardware-aware optimization. Through this study, we aim to bridge the gap between brain-inspired learning and practical edge deployment, offering insights into current advancements, open challenges, and future research directions. To the best of our knowledge, this is the first dedicated and comprehensive survey on EdgeSNNs, providing an essential reference for researchers and practitioners working at the intersection of neuromorphic computing and edge intelligence.
• Abstract（参考訳）: 人工知能とエッジコンピューティングの収束により、リソースに制約のあるデバイス上でのインテリジェントなサービスの実現への関心が高まっている。 従来のディープラーニングモデルは、重要な計算リソースと集中型データ管理を必要とするが、結果として生じるレイテンシ、帯域幅の消費、プライバシに関する懸念は、クラウド中心のパラダイムにおいて重要な制限を露呈している。 脳にインスパイアされたコンピューティング、特にスパイキングニューラルネットワーク(SNN)は、低消費電力でイベント駆動型計算を実現するために生物学的神経力学をエミュレートすることで、有望な代替手段を提供する。 この調査では、エッジシナリオにおけるデバイス上での学習、推論、セキュリティといった課題に対処する可能性について、SNN(EdgeSNN)に基づいたエッジインテリジェンスの概要を概説する。 神経モデル,学習アルゴリズム,ハードウェアプラットフォームなどを含むEdgeSNN基盤の系統分類について述べる。 軽量SNNモデルを用いたデバイス上の推論、非定常データ条件下でのリソース認識トレーニングと更新、セキュアでプライバシ保護の問題。 さらに、従来のハードウェア上でのEdgeSNN評価の限界を強調し、公正比較とハードウェア対応最適化をサポートするために、デュアルトラックベンチマーク戦略を導入する。 本研究は,脳にインスパイアされた学習と実践的エッジ展開のギャップを埋めることを目的としており,現在の進歩,オープン課題,今後の研究方向性に関する洞察を提供する。 われわれの知る限りでは、これがEdgeSNNの専門的で包括的な調査であり、ニューロモルフィックコンピューティングとエッジインテリジェンスの交差点で働く研究者や実践者にとって、重要な参考となる。

関連論文リスト

• The Promise of Spiking Neural Networks for Ubiquitous Computing: A Survey and New Perspectives [6.0751106418587835]
  スパイキングニューラルネットワーク(SNN)は、低消費電力計算を実現するためにスパースでイベント駆動のシグナリングを利用する、バイオインスパイアされたネットワークのクラスとして登場した。 ユニークで有望な機能にもかかわらず、SNNは限定的な注目を集め、ユビキタスコンピューティングコミュニティ内では未探索のままである。
  論文  参考訳（メタデータ） (2025-06-02T14:47:48Z)
• 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)
• On Achieving Privacy-Preserving State-of-the-Art Edge Intelligence [0.0]
  エッジコンピューティングにおける推論は、エッジインテリジェンスと呼ばれ、プロセス中に機密データ機密性や知的財産権が明らかにされていないことを保証するためのソリューションを必要とする。 本稿では,プライバシー保護のための既存のDNN推論技術との互換性を,エッジコンピューティングのセットアップの特徴と組み合わせて評価する。 次に、DNNの秘密共有に向けた研究におけるモデル圧縮手法の将来的な役割について述べる。
  論文  参考訳（メタデータ） (2023-02-10T15:34:42Z)
• A Survey on Collaborative DNN Inference for Edge Intelligence [22.691247982285432]
  エッジインテリジェンス(EI)は、AI分野における最先端の方向性となる。 本稿では、EIのための4つの典型的な協調的DNN推論パラダイムを分類し、それらの特徴と鍵となる技術を分析する。
  論文  参考訳（メタデータ） (2022-07-16T02:32:35Z)
• A Review of Recent Advances of Binary Neural Networks for Edge Computing [15.646692826399438]
  本稿では、フロントエンドのエッジベースコンピューティングに適したバイナリニューラルネットワーク(BNN)と1ビットCNN技術について述べる。 また,コンピュータビジョンや音声認識の分野での応用についても紹介し,エッジコンピューティングの今後の応用について論じる。
  論文  参考訳（メタデータ） (2020-11-24T01:10:21Z)
• State-of-the-art Techniques in Deep Edge Intelligence [0.0]
  エッジインテリジェンス(EI)は、エッジコンピューティングの概念を用いた学習を可能にする強力な代替手段として急速に登場した。 本稿では,DeIの運用における主な制約について概説する。
  論文  参考訳（メタデータ） (2020-08-03T12:17:23Z)
• Boosting Deep Neural Networks with Geometrical Prior Knowledge: A Survey [77.99182201815763]
  ディープニューラルネットワーク(DNN)は多くの異なる問題設定において最先端の結果を達成する。 DNNはしばしばブラックボックスシステムとして扱われ、評価と検証が複雑になる。 コンピュータビジョンタスクにおける畳み込みニューラルネットワーク(CNN)の成功に触発された、有望な分野のひとつは、対称幾何学的変換に関する知識を取り入れることである。
  論文  参考訳（メタデータ） (2020-06-30T14:56:05Z)
• Incentive Mechanism Design for Resource Sharing in Collaborative Edge Learning [106.51930957941433]
  5GとBeyondネットワークでは、人工知能のアプリケーションがますます普及すると予想されている。 これは、現在のクラウド中心のモデルトレーニングアプローチから、エッジラーニングとして知られるエッジコンピューティングベースの協調学習スキームへのパラダイムシフトを必要とする。
  論文  参考訳（メタデータ） (2020-05-31T12:45:06Z)
• Spiking Neural Networks Hardware Implementations and Challenges: a Survey [53.429871539789445]
  スパイキングニューラルネットワークは、ニューロンとシナプスの操作原理を模倣する認知アルゴリズムである。 スパイキングニューラルネットワークのハードウェア実装の現状について述べる。 本稿では,これらのイベント駆動アルゴリズムの特性をハードウェアレベルで活用するための戦略について論じる。
  論文  参考訳（メタデータ） (2020-05-04T13:24:00Z)
• Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G Networks [84.2155885234293]
  まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。 このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-02-22T14:38:11Z)

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。