論文の概要: R2E-VID: Two-Stage Robust Routing via Temporal Gating for Elastic Edge-Cloud Video Inference

• arxiv url: http://arxiv.org/abs/2604.09681v1
• Date: Fri, 03 Apr 2026 10:04:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-19 19:09:11.622276
• Title: R2E-VID: Two-Stage Robust Routing via Temporal Gating for Elastic Edge-Cloud Video Inference
• Title（参考訳）: R2E-VID:弾力性エッジクラウドビデオ推論のためのテンポラルゲーティングによる2段階ロバストルーティング
• Authors: Zheming Yang, Lulu Zuo, Shun Lu, Yangyu Zhang, Zhicheng Li, Xiangyang Li, Yang You,
• Abstract要約: R2E-VIDは2段階のロバストなルーティングフレームワークである。 R2E-VIDは、クラウド中心のベースラインと比較して、全体のコストを最大60%から60%削減する。 最先端のエッジクラウドソリューションよりも,推論精度を2～7%向上しながら,35～45%の遅延時間を実現している。
• 参考スコア（独自算出の注目度）: 15.625229432769892
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With the rapid growth of large-scale video analytics applications, edge-cloud collaborative systems have become the dominant paradigm for real-time inference. However, existing approaches often fail to dynamically adapt to heterogeneous video content and fluctuating resource conditions, resulting in suboptimal routing efficiency and high computational costs. In this paper, we propose R2E-VID, a two-stage robust routing framework via temporal gating for elastic edge-cloud video inference. In the first stage, R2E-VID introduces a temporal gating mechanism that models the temporal consistency and motion dynamics of incoming video streams to predict the optimal routing pattern for each segment. This enables adaptive partitioning of inference workloads between edge and cloud nodes, achieving fine-grained spatiotemporal elasticity. In the second stage, a robust routing optimization module refines the allocation through multi-model adaptation, jointly minimizing inference delay and resource consumption under dynamic network and workload variations. Extensive experiments on public datasets demonstrate that R2E-VID achieves up to 60% reduction in overall cost compared to cloud-centric baselines, and delivers 35-45% lower delay while improving inference accuracy by 2-7% over state-of-the-art edge-cloud solutions.
• Abstract（参考訳）: 大規模ビデオ分析アプリケーションの急速な成長に伴い、エッジクラウド協調システムはリアルタイム推論の主要なパラダイムとなっている。 しかし、既存の手法は、不均一なビデオコンテンツに動的に適応できず、リソース条件が変動し、最適化されたルーティング効率と計算コストが高くなる。 本稿では,2段階のロバストルーティングフレームワークであるR2E-VIDを提案する。 最初の段階では、R2E-VIDは、各セグメントの最適ルーティングパターンを予測するために、入ってくるビデオストリームの時間的一貫性と動きのダイナミクスをモデル化する時間的ゲーティング機構を導入している。 これにより、エッジとクラウドノード間の推論ワークロードの適応的なパーティショニングが可能になり、微細な時空間弾性を達成することができる。 第2段階では、ロバストなルーティング最適化モジュールがマルチモデル適応を通じてアロケーションを洗練し、動的ネットワークとワークロードのばらつきの下での推論遅延とリソース消費を共同で最小化する。 公開データセットに関する大規模な実験は、R2E-VIDがクラウド中心のベースラインと比較して最大60%のコスト削減を実現し、推論精度を最先端のエッジクラウドソリューションよりも2-7%向上させながら、35-45%の遅延を達成していることを示している。

関連論文リスト

• StreamDiffusionV2: A Streaming System for Dynamic and Interactive Video Generation [65.90400162290057]
  生成モデルは、コンテンツの作り方、スタイル、配信方法を再定義することで、ライブストリーミング業界を変革している。 ビデオ拡散の最近の進歩は、オフライン生成のための時間的一貫性とサンプリング効率を著しく改善した。 ライブオンラインストリーミングは厳しいサービスレベル(SLO)の下で動作します。 タイム・ツー・ファーストフレームは最小限でなければなりません。
  論文  参考訳（メタデータ） (2025-11-10T18:51:28Z)
• EC-Diff: Fast and High-Quality Edge-Cloud Collaborative Inference for Diffusion Models [57.059991285047296]
  高速な推論と高品質な生成を実現するために,ハイブリッドエッジクラウドコラボレーションフレームワークが最近提案されている。 過度の雲が推論時間を延ばす一方、不十分なステップは意味的な曖昧さを引き起こし、エッジモデルの出力の不整合を引き起こす。 勾配に基づく雑音推定により雲の推測を高速化するEC-Diffを提案する。 提案手法は, エッジ推定に比べて生成品質を著しく向上する一方で, クラウド推定に比べて平均2倍の速度アップを達成できる。
  論文  参考訳（メタデータ） (2025-07-16T07:23:14Z)
• 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)
• DVFO: Learning-Based DVFS for Energy-Efficient Edge-Cloud Collaborative Inference [12.095934624748686]
  本稿では,新しいDVFS対応エッジクラウド協調推論フレームワークであるDVFOを提案する。 エッジデバイスのCPU、GPU、メモリの周波数を自動的に最適化し、機能マップをクラウドサーバにオフロードする。 最先端の計画に比べて、エネルギー消費を平均で33%削減する。
  論文  参考訳（メタデータ） (2023-06-02T07:00:42Z)
• Dynamic Scheduling for Stochastic Edge-Cloud Computing Environments using A3C learning and Residual Recurrent Neural Networks [30.61220416710614]
  A-Advantage-Actor-Critic(A3C)学習は、データが少ない動的なシナリオに迅速に適応することが知られ、Residual Recurrent Neural Network(R2N2)はモデルパラメータを迅速に更新する。 我々はR2N2アーキテクチャを用いて、多数のホストパラメータとタスクパラメータを時間パターンとともにキャプチャし、効率的なスケジューリング決定を提供する。 実世界のデータセットで実施された実験では、エネルギー消費、応答時間、ServiceLevelAgreementおよびランニングコストがそれぞれ14.4%、7.74%、31.9%、および4.64%で大幅に改善された。
  論文  参考訳（メタデータ） (2020-09-01T13:36:34Z)
• Zooming Slow-Mo: Fast and Accurate One-Stage Space-Time Video Super-Resolution [95.26202278535543]
  単純な解決策は、ビデオフレーム(VFI)とビデオ超解像(VSR)の2つのサブタスクに分割することである。 時間合成と空間超解像はこの課題に関係している。 LFR,LRビデオからHRスローモーション映像を直接合成するワンステージ時空間ビデオ超解像フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-02-26T16:59:48Z)

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。