論文の概要: Position Paper: From Edge AI to Adaptive Edge AI
- arxiv url: http://arxiv.org/abs/2604.07360v1
- Date: Tue, 31 Mar 2026 08:12:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-10 18:34:05.410451
- Title: Position Paper: From Edge AI to Adaptive Edge AI
- Title（参考訳）: ポジションペーパー:Edge AIからAdaptive Edge AIへ
- Authors: Fabrizio Pittorino, Manuel Roveri,
- Abstract要約: エッジAIはしばしば、厳密な制約の下でモデル圧縮とデプロイメントとしてフレーム化される。
現実的なデプロイメントにおけるエッジAIは、必ず適応的です。
- 参考スコア（独自算出の注目度）: 4.915029686150193
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Edge AI is often framed as model compression and deployment under tight constraints. We argue a stronger operational thesis: Edge AI in realistic deployments is necessarily adaptive. In long-horizon operation, a fixed (non-adaptive) configuration faces a fundamental failure mode: as data and operating conditions evolve and change in time, it must either (i) violate time-varying budgets (latency/energy/thermal/connectivity/privacy) or (ii) lose predictive reliability (accuracy and, critically, calibration), with risk concentrating in transient regimes and rare time intervals rather than in average performance. If a deployed system cannot reconfigure its computation - and, when required, its model state - under evolving conditions and constraints, it reduces to static embedded inference and cannot provide sustained utility. This position paper introduces a minimal Agent-System-Environment (ASE) lens that makes adaptivity precise at the edge by specifying (i) what changes, (ii) what is observed, (iii) what can be reconfigured, and (iv) which constraints must remain satisfied over time. Building on this framing, we formulate ten research challenges for the next decade, spanning theoretical guarantees for evolving systems, dynamic architectures and hybrid transitions between data-driven and model-based components, fault/anomaly-driven targeted updates, System-1/System-2 decompositions (anytime intelligence), modularity, validation under scarce labels, and evaluation protocols that quantify lifecycle efficiency and recovery/stability under drift and interventions.
- Abstract（参考訳）: エッジAIはしばしば、厳密な制約の下でモデル圧縮とデプロイメントとしてフレーム化される。
現実的なデプロイメントにおけるエッジAIは、必ずしも適応的です。
長期の操作では、固定された(非適応的な)構成が基本的な障害モードに直面している。
(i)時間変動予算(遅延・エネルギー・熱・熱・接続・民営)に違反したり
(二)平均的な性能よりも過渡的な体制と稀な時間間隔に集中するリスクにより、予測信頼性(正確さ、致命的なキャリブレーション)を失う。
デプロイされたシステムが、その計算 — そして必要に応じて、そのモデル状態 — を、進化する条件と制約の下で再設定できない場合、静的な組込み推論に還元され、持続的なユーティリティを提供することができない。
本稿では,最小限のエージェント・システム環境(ASE)レンズを導入する。
i) どんな変化があるか。
(ii)観察されるもの
(iii)再設定可能なもの、及び
(四) 制限は時間とともに満たされなければならない。
進化するシステム、動的アーキテクチャ、データ駆動とモデルベースコンポーネント間のハイブリッド移行、フォールト/異常駆動によるターゲット更新、システム-1/System-2分解(あらゆるインテリジェンス)、モジュール性、ラベルの不足による検証、ドリフトと介入時のライフサイクル効率とリカバリ/安定性を定量化する評価プロトコルなどです。
関連論文リスト
- IRAM-Omega-Q: A Computational Architecture for Uncertainty Regulation in Artificial Agents [0.0]
IRAM-Omega-Qは内部制御を量子的状態表現上の閉ループ制御としてモデル化する計算アーキテクチャである。
その結果、人工エージェントの具体的な設計原則として不確実性規制が支持された。
論文 参考訳（メタデータ） (2026-03-16T23:58:11Z) - AdaptNC: Adaptive Nonconformity Scores for Uncertainty-Aware Autonomous Systems in Dynamic Environments [7.201566646241765]
コンフォーマル予測法は、コンフォーマル閾値を適応的にスケーリングすることで目標範囲を維持する。
この固定幾何は, 環境が構造変化を起こすと, 極めて保守的で, 容積非効率な予測領域につながることを示す。
非整合スコアパラメータと整合しきい値の両方をオンライン化するためのフレームワークである textbfAdaptNC を提案する。
論文 参考訳（メタデータ） (2026-02-02T04:41:35Z) - Position: Certifiable State Integrity in Cyber-Physical Systems -- Why Modular Sovereignty Solves the Plasticity-Stability Paradox [0.0]
最近の証拠は、微調整された時系列基盤モデルが、以前の政権における破滅的な、劣化するパフォーマンスを忘れてしまうことを示唆している。
この位置紙は、塑性安定性パラドックスはグローバルパラメータ更新によって完全には解決できないと主張している。
代わりに、モジュール・ソブリンティ・パラダイム(Modular Sovereignty paradigm)を提唱する。
論文 参考訳（メタデータ） (2026-01-29T04:10:58Z) - LEGATO: Good Identity Unlearning Is Continuous [30.78585550012454]
LEGATOは、生成モデルのアイデンティティを忘れることを学ぶための機械学習手法である。
最先端の忘れパフォーマンスを実現し、破滅的な崩壊を回避し、微調整されたパラメータを減らす。
実験の結果,LEGATOは最先端の忘れ物性能を実現し,破滅的な崩壊を回避し,微調整パラメータを低減できることがわかった。
論文 参考訳（メタデータ） (2026-01-07T13:15:25Z) - A Mathematical Framework for AI Singularity: Conditions, Bounds, and Control of Recursive Improvement [1.932555230783329]
我々は、自己改善のための分析フレームワークを開発し、能力向上とリソースのビルトアウトとデプロイメントポリシを結びつける。
我々は、可観測級数から脱走と非特異な振る舞いの証明をYes/Noにマッピングする決定ルールを導出する。
このフレームワークは、現在のレベルに対して、高速な改善がいかに加速するかに基づいて、偽造可能なテストを生成する。
論文 参考訳（メタデータ） (2025-11-08T21:25:38Z) - PowerGrow: Feasible Co-Growth of Structures and Dynamics for Power Grid Synthesis [75.14189839277928]
本稿では,運用効率を維持しながら計算オーバーヘッドを大幅に削減する,共同生成フレームワークPowerGrowを提案する。
ベンチマーク設定による実験では、PowerGrowはフィデリティと多様性において、事前の拡散モデルよりも優れていた。
これは、運用上有効で現実的な電力グリッドシナリオを生成する能力を示している。
論文 参考訳（メタデータ） (2025-08-29T01:47:27Z) - Automatically Adaptive Conformal Risk Control [49.95190019041905]
本稿では,テストサンプルの難易度に適応して,統計的リスクの近似的条件制御を実現する手法を提案する。
我々のフレームワークは、ユーザが提供するコンディショニングイベントに基づく従来のコンディショニングリスク制御を超えて、コンディショニングに適した関数クラスのアルゴリズム的、データ駆動決定を行う。
論文 参考訳（メタデータ） (2024-06-25T08:29:32Z) - Towards Continual Learning Desiderata via HSIC-Bottleneck
Orthogonalization and Equiangular Embedding [55.107555305760954]
本稿では,レイヤワイドパラメータのオーバーライトや決定境界の歪みに起因する,概念的にシンプルで効果的な手法を提案する。
提案手法は,ゼロの指数バッファと1.02倍の差が絶対的に優れていても,競争精度が向上する。
論文 参考訳（メタデータ） (2024-01-17T09:01:29Z)
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。