論文の概要: EdgeSync: Accelerating Edge-Model Updates for Data Drift through Adaptive Continuous Learning

• arxiv url: http://arxiv.org/abs/2510.21781v1
• Date: Sat, 18 Oct 2025 07:57:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-29 00:22:00.526321
• Title: EdgeSync: Accelerating Edge-Model Updates for Data Drift through Adaptive Continuous Learning
• Title（参考訳）: EdgeSync: 適応型継続的学習によるデータドリフトのためのエッジモデル更新の高速化
• Authors: Runchu Donga, Peng Zhao, Guiqin Wang, Nan Qi, Jie Lin,
• Abstract要約: リアルタイムビデオ分析システムは通常、レイテンシを低減するためにエッジデバイスに軽量モデルをデプロイする。 データの特徴の分布は、照明や気象条件の変化など様々な要因により時間とともに変化し、モデル精度が低下する可能性がある。 タイムラインと推論結果を組み込むことで、サンプルフィルタリングを強化する効率的なエッジモデル更新アプローチであるEdgeSyncを導入する。
• 参考スコア（独自算出の注目度）: 12.56631615367967
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Real-time video analytics systems typically deploy lightweight models on edge devices to reduce latency. However, the distribution of data features may change over time due to various factors such as changing lighting and weather conditions, leading to decreased model accuracy. Recent frameworks try to address this issue by leveraging remote servers to continuously train and adapt lightweight edge models using more complex models in the cloud. Despite these advancements, existing methods face two key challenges: first, the retraining process is compute-intensive, causing significant delays in model updates; second, the new model may not align well with the evolving data distribution of the current video stream. To address these challenges, we introduce EdgeSync, an efficient edge-model updating approach that enhances sample filtering by incorporating timeliness and inference results, thus ensuring training samples are more relevant to the current video content while reducing update delays. Additionally, EdgeSync features a dynamic training management module that optimizes the timing and sequencing of model updates to improve their timeliness. Evaluations on diverse and complex real-world datasets demonstrate that EdgeSync improves accuracy by approximately 3.4% compared to existing methods and by about 10% compared to traditional approaches.
• Abstract（参考訳）: リアルタイムビデオ分析システムは通常、レイテンシを低減するためにエッジデバイスに軽量モデルをデプロイする。 しかし、照明や気象条件の変化など様々な要因により、時間とともにデータの特徴の分布が変化し、モデルの精度が低下する可能性がある。 最近のフレームワークでは、リモートサーバを活用して、クラウドのより複雑なモデルを使用して、軽量エッジモデルを継続的にトレーニングし、適応することによって、この問題に対処しようとしている。 これらの進歩にもかかわらず、既存の手法は2つの大きな課題に直面している: 第一に、リトレーニングプロセスは計算集約的であり、モデル更新の大幅な遅延を引き起こしている。 これらの課題に対処するために、EdgeSyncを導入し、タイムラインと推論結果を統合することでサンプルフィルタリングを強化し、トレーニングサンプルが現在のビデオコンテンツとより関連性のあることを保証するとともに、更新遅延を低減します。 さらに、EdgeSyncは動的トレーニング管理モジュールを備えており、モデルの更新のタイミングとシークエンシングを最適化し、タイムラインを改善する。 多様な複雑な実世界のデータセットの評価によると、EdgeSyncは既存の手法に比べて約3.4%精度が向上し、従来の手法に比べて約10%精度が向上している。

関連論文リスト

• What You Have is What You Track: Adaptive and Robust Multimodal Tracking [72.92244578461869]
  本研究では,時間的に不完全なマルチモーダルデータを用いたトラッカー性能に関する総合的研究を行った。 我々のモデルは9つのベンチマークでSOTA性能を達成し、従来の完全性と欠落したモダリティ設定の両方で優れている。
  論文  参考訳（メタデータ） (2025-07-08T11:40:21Z)
• EdgeSync: Faster Edge-model Updating via Adaptive Continuous Learning for Video Data Drift [7.165359653719119]
  リアルタイムビデオ分析システムは一般的に、レイテンシを低減するためにエッジデバイスに重みを減らしたモデルを配置する。 映像コンテンツの特徴の分布は時間とともに変化し、既存のモデルの精度が低下する。 最近の研究は、リモートサーバを使用して、複雑なモデルの助けを借りて、エッジで軽量モデルを継続的にトレーニングし、適応するフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-05T07:06:26Z)
• Towards Robust and Efficient Cloud-Edge Elastic Model Adaptation via Selective Entropy Distillation [56.79064699832383]
  Cloud-Edge Elastic Model Adaptation (CEMA)パラダイムを確立し、エッジモデルが前方伝播のみを実行するようにします。 CEMAでは,通信負担を軽減するため,不要なサンプルをクラウドにアップロードすることを避けるための2つの基準を考案した。
  論文  参考訳（メタデータ） (2024-02-27T08:47:19Z)
• Fast-Slow Test-Time Adaptation for Online Vision-and-Language Navigation [67.18144414660681]
  オンラインビジョン・アンド・ランゲージナビゲーション(VLN)のためのFSTTA(Fast-Slow Test-Time Adaptation)アプローチを提案する。 提案手法は,4つのベンチマークにおいて顕著な性能向上を実現する。
  論文  参考訳（メタデータ） (2023-11-22T07:47:39Z)
• Lambda Learner: Fast Incremental Learning on Data Streams [5.543723668681475]
  本稿では,データストリームからのミニバッチに対するインクリメンタル更新によるモデルトレーニングのための新しいフレームワークを提案する。 提案するフレームワークのモデルでは,オフラインデータに基づいてトレーニングされた周期的に更新されたモデルを推定し,モデル更新が時間に敏感な場合,性能が向上することを示す。 我々は、大規模ソーシャルネットワークのためのスポンサー付きコンテンツプラットフォームに大規模な展開を提示する。
  論文  参考訳（メタデータ） (2020-10-11T04:00:34Z)

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。