論文の概要: iOS as Acceleration

• arxiv url: http://arxiv.org/abs/2512.22180v1
• Date: Fri, 19 Dec 2025 13:30:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-04 08:45:17.103424
• Title: iOS as Acceleration
• Title（参考訳）: アクセラレーションとしてのiOS
• Authors: Alexander K. Chen,
• Abstract要約: 本稿では,iOSデバイスを分散パイプライン並列性により活用するための新しい手法を実証する概念実証システムを提案する。 本研究は,機械学習により大きな貢献をするために,一般的なモバイル機器の改良の可能性を明らかにするものである。
• 参考スコア（独自算出の注目度）: 51.56484100374058
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Practical utilization of large-scale machine learning requires a powerful compute setup, a necessity which poses a significant barrier to engagement with such artificial intelligence in more restricted system environments. While cloud computing offers a solution to weaker local environments, certain situations like training involving private or sensitive data, physical environments not available through the cloud, or higher anticipated usage costs, necessitate computing locally. We explore the potential to improve weaker local compute systems at zero additional cost by taking advantage of ubiquitous yet underutilized resources: mobile phones. Specifically, recent iOS phones are equipped with surprisingly powerful processors, but they also face limitations like memory constraints, thermal throttling, and OS sandboxing. We present a proof-of-concept system demonstrating a novel approach to harness an iOS device via distributed pipeline parallelism, achieving significant benefits in a lesser compute environment by accelerating modest model training, batch inference, and agentic LRM tool-usage. We discuss practical use-cases, limitations, and directions for future work. The findings of this paper highlight the potential for the improving commonplace mobile devices to provide greater contributions to machine learning.
• Abstract（参考訳）: 大規模機械学習の実践的利用には、より制限されたシステム環境において、そのような人工知能との関わりに重大な障壁をもたらす必要のある、強力な計算セットアップが必要である。 クラウドコンピューティングは、より弱いローカル環境に対するソリューションを提供するが、プライベートデータや機密データを含むトレーニング、クラウドを介して利用できない物理的環境、あるいはより高い使用コスト、ローカルなコンピューティングの必要性といった状況は、ある。 我々は、ユビキタスで未利用のリソースである携帯電話を活用することで、より弱いローカル計算システムをゼロのコストで改善する可能性を探究する。 特に、最近のiOSスマートフォンは驚くほど強力なプロセッサを搭載していますが、メモリ制限、サーマルスロットリング、OSサンドボックスリングといった制限に直面しています。 そこで本研究では,iOS デバイスを分散パイプライン並列処理により利用し,モデストモデルトレーニング,バッチ推論,エージェント LRM ツールの利用を高速化することにより,より少ない計算環境において重要なメリットを享受する,新しい手法を実証する概念実証システムを提案する。 今後の作業の実践的なユースケース、制限、方向性について論じる。 本研究は,機械学習により大きな貢献をするために,一般的なモバイル機器の改良の可能性を明らかにするものである。

関連論文リスト

• ECCENTRIC: Edge-Cloud Collaboration Framework for Distributed Inference Using Knowledge Adaptation [7.659994546640296]
  クラウド推論システムは、計算と通信コストが劇的に増大している間に、最高のパフォーマンスを達成することができる。 我々は、これらの対立する目標間のトレードオフのレベルが異なるモデルを学ぶ、Eccentricと呼ばれる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-12T22:43:28Z)
• Towards smart and adaptive agents for active sensing on edge devices [2.762856766069373]
  TinyMLは、低消費電力エッジデバイスにディープラーニングモデルをデプロイ可能にする。 本稿では,デバイス上での認識と計画を実行し,エッジ上でのアクティブなセンシングを可能にする革新的なエージェントシステムを提案する。
  論文  参考訳（メタデータ） (2025-01-09T13:27:02Z)
• Slimmable Encoders for Flexible Split DNNs in Bandwidth and Resource Constrained IoT Systems [12.427821850039448]
  本稿では,スリム化可能なアンサンブルエンコーダに基づく分割計算手法を提案する。 私たちの設計の主な利点は、計算負荷と送信データサイズを最小限のオーバーヘッドと時間でリアルタイムで適応できることです。 本モデルでは,圧縮効率や実行時間,特にモバイルデバイスの弱い状況において,既存のソリューションよりも優れています。
  論文  参考訳（メタデータ） (2023-06-22T06:33:12Z)
• Actively Learning Costly Reward Functions for Reinforcement Learning [56.34005280792013]
  複雑な実世界の環境でエージェントを訓練することは、桁違いに高速であることを示す。 強化学習の手法を新しい領域に適用することにより、興味深く非自明な解を見つけることができることを示す。
  論文  参考訳（メタデータ） (2022-11-23T19:17:20Z)
• On-Device Training Under 256KB Memory [62.95579393237751]
  本稿では,256KBのメモリでデバイス上でのトレーニングを可能にするアルゴリズム・システム協調設計フレームワークを提案する。 私たちのフレームワークは256KBと1MBのFlashで畳み込みニューラルネットワークのデバイス上での小さなトレーニングを可能にする最初のソリューションです。
  論文  参考訳（メタデータ） (2022-06-30T17:59:08Z)
• Enable Deep Learning on Mobile Devices: Methods, Systems, and Applications [46.97774949613859]
  ディープニューラルネットワーク(DNN)は人工知能(AI)分野において前例のない成功を収めた しかし、それらの優れた性能は、計算の複雑さのかなりのコストを伴っている。 本稿では,効率的なディープラーニング手法,システム,応用について概説する。
  論文  参考訳（メタデータ） (2022-04-25T16:52:48Z)
• Towards AIOps in Edge Computing Environments [60.27785717687999]
  本稿では,異種分散環境に適用可能なaiopsプラットフォームのシステム設計について述べる。 高頻度でメトリクスを収集し、エッジデバイス上で特定の異常検出アルゴリズムを直接実行することが可能である。
  論文  参考訳（メタデータ） (2021-02-12T09:33:00Z)
• To Talk or to Work: Flexible Communication Compression for Energy Efficient Federated Learning over Heterogeneous Mobile Edge Devices [78.38046945665538]
  巨大なモバイルエッジデバイス上でのフェデレーション学習(FL)は、多数のインテリジェントなモバイルアプリケーションのための新たな地平を開く。 FLは、定期的なグローバル同期と継続的なローカルトレーニングにより、参加するデバイスに膨大な通信と計算負荷を課す。 フレキシブルな通信圧縮を可能にする収束保証FLアルゴリズムを開発。
  論文  参考訳（メタデータ） (2020-12-22T02:54:18Z)
• Cost-effective Machine Learning Inference Offload for Edge Computing [0.3149883354098941]
  本稿では,インストール・ベース・オンプレミス(edge)計算資源を活用した新しいオフロード機構を提案する。 提案するメカニズムにより、エッジデバイスは、リモートクラウドを使用する代わりに、重い計算集約的なワークロードをエッジノードにオフロードすることができる。
  論文  参考訳（メタデータ） (2020-12-07T21:11:02Z)

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。