論文の概要: An Internet of Intelligent Things Framework for Decentralized Heterogeneous Platforms
- arxiv url: http://arxiv.org/abs/2509.10507v1
- Date: Mon, 01 Sep 2025 22:54:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-21 06:05:45.763149
- Title: An Internet of Intelligent Things Framework for Decentralized Heterogeneous Platforms
- Title（参考訳）: 分散型不均一プラットフォームのためのインテリジェントモノのインターネット
- Authors: Vadim Allayev, Mahbubur Rahman,
- Abstract要約: Internet of Intelligent Things (IoIT)は、IoT(Internet of Things)デバイスのユーティリティと、組み込みAIアルゴリズムのイノベーションを組み合わせたものだ。
IoITの障害の多くは、組み込みデバイスにおける機械学習(ML)/ディープラーニング(DL)モデルのエネルギー効率の向上に関連している。
IoITピア・ツー・ピア・メッシュ・ネットワーク・システム・モデルを提案する。
- 参考スコア（独自算出の注目度）: 0.17188280334580194
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Internet of Intelligent Things (IoIT), an emerging field, combines the utility of Internet of Things (IoT) devices with the innovation of embedded AI algorithms. However, it does not come without challenges, and struggles regarding available computing resources, energy supply, and storage limitations. In particular, many impediments to IoIT are linked to the energy-efficient deployment of machine learning (ML)/deep learning (DL) models in embedded devices. Research has been conducted to design energy-efficient IoIT platforms, but these papers often focus on centralized systems, in which some central entity processes all the data and coordinates actions. This can be problematic, e.g., serve as bottleneck or lead to security concerns. In a decentralized system, nodes/devices would self-organize and make their own decisions. Therefore, to address such issues, we propose a heterogeneous, decentralized sensing and monitoring IoIT peer-to-peer mesh network system model. Nodes in the network will coordinate towards several optimization goals: reliability, energy efficiency, and latency. The system employs federated learning to train nodes in a distributed manner, metaheuristics to optimize task allocation and routing paths, and multi-objective optimization to balance conflicting performance goals.
- Abstract（参考訳）: 新興分野であるInternet of Intelligent Things(IoIT)は、IoT(Internet of Things)デバイスのユーティリティと、組み込みAIアルゴリズムのイノベーションを組み合わせたものだ。
しかし、これは問題なく実現せず、利用可能なコンピューティングリソース、エネルギー供給、ストレージの制限について苦労している。
特に、IoITの障害の多くは、組み込みデバイスにおける機械学習(ML)/深層学習(DL)モデルのエネルギー効率の向上に関連している。
エネルギー効率のよいIoITプラットフォームを設計するために研究が行われてきたが、これらの論文は中央集権的なシステムに焦点を合わせ、中央集権的なエンティティがすべてのデータを処理し、行動を調整する。
これは、例えばボトルネックとして機能するか、セキュリティ上の懸念を引き起こす可能性がある。
分散型システムでは、ノード/デバイスは自己組織し、独自の決定を下す。
そこで本稿では,IoITピア・ツー・ピア・メッシュ・ネットワーク・モデルを提案する。
ネットワーク内のノードは、信頼性、エネルギー効率、レイテンシといった、いくつかの最適化目標に向かって調整される。
このシステムは、ノードを分散的に訓練するためのフェデレーション学習、タスク割り当てとルーティングパスの最適化のためのメタヒューリスティック、競合するパフォーマンス目標のバランスをとるための多目的最適化を採用している。
関連論文リスト
- A Survey on Cloud-Edge-Terminal Collaborative Intelligence in AIoT Networks [49.90474228895655]
クラウドエッジ端末協調インテリジェンス(CETCI)は、モノの人工知能(AIoT)コミュニティにおける基本的なパラダイムである。
CETCIは、分離されたレイヤ最適化からデプロイ可能なコラボレーティブインテリジェンスシステムに移行する、新興のAIoTアプリケーションで大きな進歩を遂げた。
本調査では、基礎アーキテクチャ、CETCIパラダイムのテクノロジの実現、シナリオについて解説し、CISAIOT初心者向けのチュートリアルスタイルのレビューを提供する。
論文 参考訳（メタデータ） (2025-08-26T08:38:01Z) - Joint Resource Management for Energy-efficient UAV-assisted SWIPT-MEC: A Deep Reinforcement Learning Approach [50.52139512096988]
6G Internet of Things (IoT)ネットワークは、地上インフラストラクチャが利用できない遠隔地や災害シナリオにおいて、課題に直面している。
本稿では、指向性アンテナにより強化された新しい無人航空機(UAV)支援コンピューティングシステムを提案する。
論文 参考訳（メタデータ） (2025-05-06T06:46:19Z) - Leveraging Machine Learning Techniques in Intrusion Detection Systems for Internet of Things [11.185300073739098]
従来の侵入検知システム(IDS)は、IoTネットワークの動的かつ大規模な性質を管理するのに不足することが多い。
本稿では,機械学習(ML)とディープラーニング(DL)技術がIoT環境におけるIDSのパフォーマンスを大幅に向上させる方法について検討する。
論文 参考訳（メタデータ） (2025-04-09T18:52:15Z) - Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。
FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。
実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
論文 参考訳（メタデータ） (2024-01-22T14:16:37Z) - Decentralized Learning Made Easy with DecentralizePy [3.1848820580333737]
分散学習(DL)は、スケーラビリティ、プライバシ、フォールトトレランスの面でその潜在的な利点で有名になった。
本稿では,大規模学習ネットワークを任意のトポロジでエミュレート可能な分散機械学習フレームワークDecentralizePyを提案する。
いくつかのトポロジ上にスパーシフィケーションやセキュアアグリゲーションといったテクニックを配置することで、分散Pyの能力を実証する。
論文 参考訳（メタデータ） (2023-04-17T14:42:33Z) - Machine Learning-Based User Scheduling in Integrated
Satellite-HAPS-Ground Networks [82.58968700765783]
第6世代通信ネットワーク(6G)の強化のための価値あるソリューション空間の提供を約束する。
本稿では,空対地統合通信におけるユーザスケジューリングにおける機械学習の可能性について述べる。
論文 参考訳（メタデータ） (2022-05-27T13:09:29Z) - Learning, Computing, and Trustworthiness in Intelligent IoT
Environments: Performance-Energy Tradeoffs [62.91362897985057]
Intelligent IoT Environment(iIoTe)は、半自律IoTアプリケーションを協調実行可能な異種デバイスで構成されている。
本稿では,これらの技術の現状を概観し,その機能と性能,特にリソース,レイテンシ,プライバシ,エネルギー消費のトレードオフに注目した。
論文 参考訳（メタデータ） (2021-10-04T19:41:42Z) - Pervasive AI for IoT Applications: Resource-efficient Distributed
Artificial Intelligence [45.076180487387575]
人工知能(AI)は、さまざまなモノのインターネット(IoT)アプリケーションやサービスにおいて大きなブレークスルーを目の当たりにした。
これは、感覚データへの容易なアクセスと、リアルタイムデータストリームのゼッタバイト(ZB)を生成する広帯域/ユビキタスデバイスの巨大なスケールによって駆動される。
広範コンピューティングと人工知能の合流により、Pervasive AIはユビキタスIoTシステムの役割を拡大した。
論文 参考訳（メタデータ） (2021-05-04T23:42:06Z) - Gateway Controller with Deep Sensing: Learning to be Autonomic in
Intelligent Internet of Things [0.0]
モノのインターネットは、ユビキタスセンシングを通じて未来のインターネットに革命をもたらす。
数十億のデバイスをデプロイすると推定される課題の1つは、膨大な量のデータを生み出すことだ。
本稿では,IoTゲートウェイにおける自律的管理,接続性,データ相互運用性に特化して設計された,コントローラソリューションとしてのアプローチを提案する。
論文 参考訳（メタデータ） (2020-09-18T06:22:04Z) - Federated Learning with Cooperating Devices: A Consensus Approach for
Massive IoT Networks [8.456633924613456]
分散システムにおける機械学習モデルをトレーニングするための新しいパラダイムとして、フェデレートラーニング(FL)が登場している。
提案するFLアルゴリズムは,ネットワーク内のデータ操作を行うデバイスとの協調を利用して,完全に分散された(あるいはサーバレス)学習手法を提案する。
このアプローチは、分散接続とコンピューティングを特徴とするネットワークを超えて、5G 内で FL を統合するための基盤となる。
論文 参考訳（メタデータ） (2019-12-27T15:16:04Z)
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。