論文の概要: Edge Artificial Intelligence: A Systematic Review of Evolution, Taxonomic Frameworks, and Future Horizons

• arxiv url: http://arxiv.org/abs/2510.01439v1
• Date: Wed, 01 Oct 2025 20:22:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 16:59:20.858441
• Title: Edge Artificial Intelligence: A Systematic Review of Evolution, Taxonomic Frameworks, and Future Horizons
• Title（参考訳）: エッジ人工知能:進化、分類学の枠組み、未来のホライズンズの体系的レビュー
• Authors: Mohamad Abou Ali, Fadi Dornaika,
• Abstract要約: Edge AIは、インテリジェンスを直接、ネットワークエッジのデバイスに埋め込む。 このレビューでは、Edge AIの進化、現在の状況、今後の方向性を体系的に検討する。
• 参考スコア（独自算出の注目度）: 10.453339156813852
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Edge Artificial Intelligence (Edge AI) embeds intelligence directly into devices at the network edge, enabling real-time processing with improved privacy and reduced latency by processing data close to its source. This review systematically examines the evolution, current landscape, and future directions of Edge AI through a multi-dimensional taxonomy including deployment location, processing capabilities such as TinyML and federated learning, application domains, and hardware types. Following PRISMA guidelines, the analysis traces the field from early content delivery networks and fog computing to modern on-device intelligence. Core enabling technologies such as specialized hardware accelerators, optimized software, and communication protocols are explored. Challenges including resource limitations, security, model management, power consumption, and connectivity are critically assessed. Emerging opportunities in neuromorphic hardware, continual learning algorithms, edge-cloud collaboration, and trustworthiness integration are highlighted, providing a comprehensive framework for researchers and practitioners.
• Abstract（参考訳）: Edge Artificial Intelligence(Edge AI)は、インテリジェンスを直接ネットワークエッジのデバイスに埋め込むことで、プライバシを改善し、ソースに近いデータを処理することでレイテンシを低減したリアルタイム処理を可能にする。 このレビューでは、デプロイ位置、TinyMLのような処理機能、フェデレーション学習、アプリケーションドメイン、ハードウェアタイプを含む多次元分類を通じて、Edge AIの進化、現在の状況、将来の方向性を体系的に検証する。 PRISMAのガイドラインに従って、この分析は、初期のコンテンツ配信ネットワークとフォグコンピューティングから、現代のオンデバイスインテリジェンスまで、分野をトレースする。 ハードウェアアクセラレーション、最適化ソフトウェア、通信プロトコルなどのコア実現技術について検討する。 リソース制限、セキュリティ、モデル管理、電力消費、接続性といった課題が批判的に評価されている。 ニューロモルフィックハードウェア、継続的学習アルゴリズム、エッジクラウドコラボレーション、信頼性統合の新たな機会が強調され、研究者や実践者のための包括的なフレームワークを提供する。

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)
• Edge Intelligence with Spiking Neural Networks [50.33340747216377]
  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。
  論文  参考訳（メタデータ） (2025-07-18T16:47:52Z)
• Edge-Cloud Collaborative Computing on Distributed Intelligence and Model Optimization: A Survey [58.50944604905037]
  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)
• Edge Artificial Intelligence for 6G: Vision, Enabling Technologies, and Applications [39.223546118441476]
  6Gはワイヤレスの進化を「コネクテッドモノ」から「コネクテッドインテリジェンス」に変革する ディープラーニングとビッグデータ分析に基づくAIシステムは、膨大な計算と通信資源を必要とする。 エッジAIは、センサー、通信、計算、インテリジェンスをシームレスに統合する6Gの破壊的技術として際立っている。
  論文  参考訳（メタデータ） (2021-11-24T11:47:16Z)
• 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)
• Communication-Efficient Edge AI: Algorithms and Systems [39.28788394839187]
  エッジデバイス(IoTデバイスなど)の大規模展開は、前例のない規模のデータを生成する。 このような巨大なデータはすべて、処理のためにエンドデバイスからクラウドに送信することはできない。 AIモデルの推論とトレーニングプロセスをエッジノードにプッシュすることで、エッジAIは有望な代替手段として浮上した。
  論文  参考訳（メタデータ） (2020-02-22T09:27:55Z)

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。