論文の概要: Multi-Objective Load Balancing for Heterogeneous Edge-Based Object Detection Systems

• arxiv url: http://arxiv.org/abs/2603.15400v1
• Date: Mon, 16 Mar 2026 15:15:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 18:28:58.527165
• Title: Multi-Objective Load Balancing for Heterogeneous Edge-Based Object Detection Systems
• Title（参考訳）: 異種エッジベース物体検出システムのための多目的負荷分散
• Authors: Daghash K. Alqahtani, Maria A. Rodriguez, Muhammad Aamir Cheema, Adel N. Toosi,
• Abstract要約: 異種エッジベース物体検出システムに適した多目的負荷分散手法を提案する。 複数のデバイス-モデルペアが、異なる精度、レイテンシ、エネルギープロファイルを示す設定について検討する。 提案手法では,まず,許容範囲内で精度を提供する適切なデバイスモデル候補を特定するための精度認識フィルタを行い,次に,予測レイテンシとエネルギー消費よりも重み付きサムスコア関数を適用して最終実行目標を選択する。
• 参考スコア（独自算出の注目度）: 5.065423529278582
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The rapid proliferation of the Internet of Things (IoT) and smart applications has led to a surge in data generated by distributed sensing devices. Edge computing is a mainstream approach to managing this data by pushing computation closer to the data source, typically onto resource-constrained devices such as single-board computers (SBCs). In such environments, the unavoidable heterogeneity of hardware and software makes effective load balancing particularly challenging. In this paper, we propose a multi-objective load balancing method tailored to heterogeneous, edge-based object detection systems. We study a setting in which multiple device-model pairs expose distinct accuracy, latency, and energy profiles, while both request intensity and scene complexity fluctuate over time. To handle this dynamically varying environment, our approach uses a two-stage decision mechanism: it first performs accuracy-aware filtering to identify suitable device-model candidates that provide accuracy within the acceptable range, and then applies a weighted-sum scoring function over expected latency and energy consumption to select the final execution target. We evaluate the proposed load balancer through extensive experiments on real-world datasets, comparing against widely used baseline strategies. The results indicate that the proposed multi-objective load balancing method halves energy consumption and achieves an 80% reduction in end-to-end latency, while incurring only a modest, up to 10%, decrease in detection accuracy relative to an accuracy-centric baseline.
• Abstract（参考訳）: IoT(Internet of Things)とスマートアプリケーションの急速な普及は、分散センシングデバイスによって生成されたデータの急増につながった。 エッジコンピューティングは、計算をデータソースに近づけ、通常はシングルボードコンピュータ(SBC)のようなリソース制約のあるデバイスにプッシュすることで、このデータを管理する主要なアプローチである。 このような環境では、ハードウェアとソフトウェアの避けられない異種性は、効果的な負荷分散を特に困難にしている。 本論文では,異種エッジベース物体検出システムに適した多目的負荷分散手法を提案する。 要求強度とシーンの複雑さは時間とともに変動する一方、複数のデバイスモデルペアが異なる精度、レイテンシ、エネルギープロファイルを示す設定について検討する。 この動的に変化する環境に対処するため,本手法では,まず,許容範囲内で精度を提供する適切なデバイスモデル候補を特定するために,精度を意識した2段階決定機構を用いて,最終的な実行目標を選択するために,期待レイテンシとエネルギー消費よりも重み付きサムスコアリング関数を適用した。 提案したロードバランサを実世界のデータセットに関する広範な実験により評価し,広く使用されているベースライン戦略と比較した。 その結果, 提案手法はエネルギー消費を削減し, エンド・ツー・エンドのレイテンシを80%削減すると同時に, 精度中心のベースラインに対する検出精度を最大10%低下させることができた。

関連論文リスト

• ECORE: Energy-Conscious Optimized Routing for Deep Learning Models at the Edge [17.74343318260183]
  ECOREは、複数の動的ルーティング戦略を統合するフレームワークである。 ECOREは、物体の特性に基づいてエネルギー効率と検出性能のバランスをとる。 その結果,提案したコンテキスト対応ルーティング手法は,エネルギー消費と遅延をそれぞれ35%,遅延を49%削減できることがわかった。
  論文  参考訳（メタデータ） (2025-07-08T14:16:14Z)
• RE-POSE: Synergizing Reinforcement Learning-Based Partitioning and Offloading for Edge Object Detection [3.2805151494259563]
  エッジデバイス上でのリアルタイムオブジェクト検出は、その限られた計算リソースと、ディープニューラルネットワーク(DNN)ベースの検出モデルの高要求により、大きな課題を呈している。 本稿では,リソース制約のあるエッジ環境における精度-遅延トレードオフを最適化するフレームワークであるRE-POSEを紹介する。
  論文  参考訳（メタデータ） (2025-01-16T10:56:45Z)
• Random Aggregate Beamforming for Over-the-Air Federated Learning in Large-Scale Networks [66.18765335695414]
  本稿では,アグリゲーションエラーを最小限に抑え,選択したデバイス数を最大化する目的で,共同装置の選択とアグリゲーションビームフォーミング設計について検討する。 コスト効率のよい方法でこの問題に取り組むために,ランダムな集合ビームフォーミング方式を提案する。 また, 得られた集計誤差と, デバイス数が大きい場合に選択したデバイス数についても解析を行った。
  論文  参考訳（メタデータ） (2024-02-20T23:59:45Z)
• Energy-Efficient Edge Learning via Joint Data Deepening-and-Prefetching [9.468399367975984]
  我々は、JD2P(Joint Data Deepening-and-Prefetching)と呼ばれる新しいオフロードアーキテクチャを提案する。 JD2Pは2つの主要な技術からなる機能ごとのオフロードである。 MNISTデータセットを用いてJD2Pの有効性を評価する。
  論文  参考訳（メタデータ） (2024-02-19T08:12:47Z)
• Task-Oriented Over-the-Air Computation for Multi-Device Edge AI [57.50247872182593]
  エッジAIをサポートするための6Gネットワークは、AIタスクの効率的かつ効率的な実行に焦点を当てたタスク指向のテクニックを備えている。 本稿では,マルチデバイススプリット推論システムにおけるタスク指向オーバー・ザ・エア計算(AirComp)方式を提案する。
  論文  参考訳（メタデータ） (2022-11-02T16:35:14Z)
• Task-Oriented Sensing, Computation, and Communication Integration for Multi-Device Edge AI [108.08079323459822]
  本稿では,AIモデルの分割推論と統合センシング通信(ISAC)を併用した,新しいマルチインテリジェントエッジ人工レイテンシ(AI)システムについて検討する。 推定精度は近似的だが抽出可能な計量、すなわち判別利得を用いて測定する。
  論文  参考訳（メタデータ） (2022-07-03T06:57:07Z)
• Dynamic Network-Assisted D2D-Aided Coded Distributed Learning [59.29409589861241]
  本稿では,デバイス間のロードバランシングのための新しいデバイス・ツー・デバイス(D2D)支援型符号化学習手法(D2D-CFL)を提案する。 最小処理時間を達成するための最適圧縮率を導出し、収束時間との接続を確立する。 提案手法は,ユーザが継続的にトレーニングデータを生成するリアルタイム協調アプリケーションに有用である。
  論文  参考訳（メタデータ） (2021-11-26T18:44:59Z)
• Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge Computing: A Contextual-Bandit Approach [81.5261621619557]
  階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。 まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。 そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
  論文  参考訳（メタデータ） (2021-08-09T08:45:47Z)
• Multi-scale Interaction for Real-time LiDAR Data Segmentation on an Embedded Platform [62.91011959772665]
  LiDARデータのリアルタイムセマンティックセグメンテーションは、自動運転車にとって不可欠である。 ポイントクラウド上で直接動作する現在のアプローチでは、複雑な空間集約操作を使用する。 本稿では,マルチスケールインタラクションネットワーク(MINet)と呼ばれるプロジェクションベースの手法を提案する。
  論文  参考訳（メタデータ） (2020-08-20T19:06:11Z)

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。