Fugu-MT 論文翻訳(概要): On Hardware-Aware Design and Optimization of Edge Intelligence

論文の概要: On Hardware-Aware Design and Optimization of Edge Intelligence

arxiv url: http://arxiv.org/abs/2607.16297v1
Date: Mon, 13 Jul 2026 11:26:59 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-21 18:48:37.096266
Title: On Hardware-Aware Design and Optimization of Edge Intelligence
Title（参考訳）: エッジインテリジェンスのハードウェア・アウェア設計と最適化について
Abstract要約: ハードウェアに依存しない手法はエッジシステムを実装する際にいくつかの制限に直面している。エッジインテリジェンスのためのハードウェア・アウェアの設計と最適化における最近の取り組みについて述べる。
参考スコア（独自算出の注目度）: 14.758436987654504
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Edge intelligence systems, the intersection of edge computing and artificial intelligence (AI), are pushing the frontier of AI applications. However, the complexity of deep learning models and heterogeneity of edge devices make the design of edge intelligence systems a challenging task. Hardware-agnostic methods face some limitations when implementing edge systems. Thus, hardware-aware methods are attracting more attention recently. In this paper, we present our recent endeavors in hardware-aware design and optimization for edge intelligence. We delve into techniques such as model compression and neural architecture search to achieve efficient and effective system designs. We also discuss some challenges in hardware-aware paradigm.
Abstract（参考訳）: エッジコンピューティングと人工知能(AI)の交差点であるエッジインテリジェンスシステムは、AIアプリケーションのフロンティアを推し進めている。しかし、ディープラーニングモデルの複雑さとエッジデバイスの不均一性は、エッジインテリジェンスシステムの設計を困難な課題にしている。ハードウェアに依存しない手法はエッジシステムを実装する際にいくつかの制限に直面している。そのため、近年はハードウェア対応の手法が注目されている。本稿では,エッジインテリジェンスのためのハードウェア・アウェア設計と最適化における最近の取り組みについて述べる。我々は,効率的なシステム設計を実現するために,モデル圧縮やニューラルアーキテクチャ探索などの手法を探求する。ハードウェア・アウェア・パラダイムの課題についても論じる。

関連論文リスト

Edge Artificial Intelligence: A Systematic Review of Evolution, Taxonomic Frameworks, and Future Horizons [10.453339156813852]
Edge AIは、インテリジェンスを直接、ネットワークエッジのデバイスに埋め込む。このレビューでは、Edge AIの進化、現在の状況、今後の方向性を体系的に検討する。
論文参考訳（メタデータ） (2025-10-01T20:22:17Z)
Using the Abstract Computer Architecture Description Language to Model AI Hardware Accelerators [77.89070422157178]
AI統合製品の製造者は、製品のパフォーマンス要件に適合するアクセラレータを選択するという、重大な課題に直面します。抽象コンピュータアーキテクチャ記述言語(ACADL)は、コンピュータアーキテクチャブロック図の簡潔な形式化である。本稿では,AIハードウェアアクセラレーションのモデル化にACADLを用いること,DNNのマッピングにACADL記述を使用し,タイミングシミュレーションのセマンティクスを解説し,性能評価結果の収集を行う。
論文参考訳（メタデータ） (2024-01-30T19:27:16Z)
Machine Learning Insides OptVerse AI Solver: Design Principles and Applications [74.67495900436728]
本稿では,Huawei CloudのOpsVerse AIソルバに機械学習(ML)技術を統合するための総合的研究について述べる。本稿では,実世界の多面構造を反映した生成モデルを用いて,複雑なSATインスタンスとMILPインスタンスを生成する手法を紹介する。本稿では,解解器性能を著しく向上させる,最先端パラメータチューニングアルゴリズムの導入について詳述する。
論文参考訳（メタデータ） (2024-01-11T15:02:15Z)
Random resistive memory-based deep extreme point learning machine for unified visual processing [67.51600474104171]
ハードウェア・ソフトウェア共同設計型, ランダム抵抗型メモリベース深部極点学習マシン(DEPLM)を提案する。我々の共同設計システムは,従来のシステムと比較して,エネルギー効率の大幅な向上とトレーニングコストの削減を実現している。
論文参考訳（メタデータ） (2023-12-14T09:46:16Z)
Design Automation for Fast, Lightweight, and Effective Deep Learning Models: A Survey [53.258091735278875]
本調査では,エッジコンピューティングを対象としたディープラーニングモデルの設計自動化技術について述べる。これは、有効性、軽量性、計算コストの観点からモデルの習熟度を定量化するために一般的に使用される主要なメトリクスの概要と比較を提供する。この調査は、ディープモデル設計自動化技術の最先端の3つのカテゴリをカバーしている。
論文参考訳（メタデータ） (2022-08-22T12:12:43Z)
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)
Edge-Cloud Polarization and Collaboration: A Comprehensive Survey [61.05059817550049]
クラウドとエッジ両方のAIの体系的なレビューを行います。私たちはクラウドとエッジモデリングの協調学習メカニズムを最初にセットアップしました。我々は現在進行中の最先端AIトピックの可能性と実践経験について議論する。
論文参考訳（メタデータ） (2021-11-11T05:58:23Z)
How to Reach Real-Time AI on Consumer Devices? Solutions for Programmable and Custom Architectures [7.085772863979686]
ディープニューラルネットワーク(DNN)は、オブジェクトや音声認識など、さまざまな人工知能(AI)推論タスクにおいて大きな進歩をもたらした。このようなAIモデルをコモディティデバイスにデプロイすることは、大きな課題に直面している。クロススタック手法によりリアルタイムな性能を実現する手法を提案する。
論文参考訳（メタデータ） (2021-06-21T11:23:12Z)
Enabling Design Methodologies and Future Trends forEdge AI: Specialization and Co-design [37.54971466190214]
エッジAI開発スタック全体にまたがる、最新の可能な設計方法論に関する包括的な調査を提供する。効率的なエッジAI開発のための重要な手法は、単層特殊化とクロス層共同設計である。
論文参考訳（メタデータ） (2021-03-25T16:29:55Z)
Bringing AI To Edge: From Deep Learning's Perspective [7.308396023489246]
エッジコンピューティングと人工知能(AI)は、エッジインテリジェンスと呼ばれる新しいシステムを構築するために徐々に交差している。これらの課題の1つは、計算集約的なディープラーニングアルゴリズムと、計算能力の低いエッジシステムの間のテキスト計算のギャップである。本稿では,エッジインテリジェンスシステムに有用な代表的かつ最新のディープラーニング技術について調査する。
論文参考訳（メタデータ） (2020-11-25T12:07:21Z)
Communication-Efficient Edge AI: Algorithms and Systems [39.28788394839187]
エッジデバイス(IoTデバイスなど)の大規模展開は、前例のない規模のデータを生成する。このような巨大なデータはすべて、処理のためにエンドデバイスからクラウドに送信することはできない。 AIモデルの推論とトレーニングプロセスをエッジノードにプッシュすることで、エッジAIは有望な代替手段として浮上した。
論文参考訳（メタデータ） (2020-02-22T09:27:55Z)

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。