論文の概要: Edge Intelligence in Civil Aviation: Paradigms, Techniques, and Applications

• arxiv url: http://arxiv.org/abs/2607.19676v1
• Date: Wed, 22 Jul 2026 02:25:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-23 18:51:37.949077
• Title: Edge Intelligence in Civil Aviation: Paradigms, Techniques, and Applications
• Title（参考訳）: 民間航空におけるエッジインテリジェンス - パラダイム、技術、応用
• Abstract要約: 本稿では,民間航空に適したエッジインテリジェンスについて,パノラマ的な視点と共通理解を提供する。 まず、エッジAIの運用モチベーションを明確にし、次に、エッジ推論とエッジ学習に関する最新の技術についてレビューする。 洗練されたエッジソリューションはクラウド基盤を補完し、低レイテンシ、プライバシ保護、レジリエントなAIサービスを提供します。
• 参考スコア（独自算出の注目度）: 6.032525301606253
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Civil aviation is safety critical and its operations, from flight decks and towers to ramps and maintenance, generate massive, heterogeneous data at the network edge. Yet cloud centric deployment of large Artificial Intelligence (AI) models often produces high task latency, lacks offline capability in communication denied environments, and requires centralizing sensitive data, raising privacy and sovereignty risks. Edge AI moves perception, prediction, and decision logic closer to the data producers via compression, collaborative inference, and split learning, thereby reducing latency, bandwidth, and exposure while enabling graceful operation during disconnections. This paper provides a panoramic view and a common understanding of edge intelligence tailored to civil aviation. We firstly articulate the operational motivations for edge AI, and then review recent techniques for edge inference and edge learning. We then introduce the organizational computing paradigms and the respective configurations in civil aviation environments; finally, we describe the emerging applications and the future research trends of edge intelligence in civil aviation. We argue that a refined edge solution can complement cloud foundations to deliver low latency, privacy preserving, and resilient AI services across the civil aviation lifecycle.
• Abstract（参考訳）: 民間航空は安全に重要であり、飛行甲板やタワーからランプやメンテナンスまで、ネットワークの端で大量の異種データを生成する。 しかし、大規模な人工知能(AI)モデルのクラウド中心のデプロイは、しばしば高いタスクレイテンシを発生させ、通信が拒否された環境におけるオフライン機能に欠け、機密データを集中化し、プライバシと主権リスクを高める必要がある。 Edge AIは、圧縮、協調推論、分割学習を通じて、知覚、予測、決定ロジックをデータプロデューサに近づける。 本稿では,民間航空に適したエッジインテリジェンスについて,パノラマ的な視点と共通理解を提供する。 まず、エッジAIの運用モチベーションを明確にし、次に、エッジ推論とエッジ学習に関する最新の技術についてレビューする。 次に、我々は、民間航空環境における組織コンピューティングのパラダイムとそれぞれの構成を紹介し、最後に、民間航空におけるエッジインテリジェンスの新しい応用と今後の研究動向について述べる。 洗練されたエッジソリューションは、クラウド基盤を補完して、低レイテンシ、プライバシ保護、レジリエンスなAIサービスを民間航空ライフサイクル全体にわたって提供する、と私たちは主張しています。

関連論文リスト

• Networking-Aware Energy Efficiency in Agentic AI Inference: A Survey [64.20429885919701]
  本稿では,知覚・推論・行動サイクル全体にわたる計算・通信コストを同定するエネルギー会計フレームワークを提案する。 我々は、単純化、計算制御、インプット・アンド・アテンション最適化、ハードウェア・アウェア・推論にまたがる統一的な分類法を確立する。 我々は,第6世代移動通信(6G)ネイティブエージェントAI,自己維持システムといったグリーンラーニングのオープンな課題を特定した。
  論文  参考訳（メタデータ） (2026-04-09T06:13:59Z)
• AviationLMM: A Large Multimodal Foundation Model for Civil Aviation [4.416746793380407]
  本稿では,民間航空のための大規模マルチモーダル基盤モデルであるAviationLMMのビジョンを紹介する。 本稿では, 地上音声, 監視, オンボードテレメトリ, ビデオ, 構造化テキストなどのマルチモーダル入力を取り入れたモデルアーキテクチャについて述べる。 データ取得、アライメントと融合、事前訓練、推論、信頼性、プライバシー、欠落したモダリティに対する堅牢性、合成シナリオ生成など、対処すべき重要な研究機会を特定します。
  論文  参考訳（メタデータ） (2026-01-14T03:10:33Z)
• 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)
• The Security and Privacy of Mobile Edge Computing: An Artificial Intelligence Perspective [64.36680481458868]
  Mobile Edge Computing (MEC)は、クラウドコンピューティングと情報技術(IT)サービスをネットワークのエッジで配信できるようにする新しいコンピューティングパラダイムである。 本稿では,人工知能(AI)の観点からMECのセキュリティとプライバシに関する調査を行う。 新たなセキュリティとプライバシの問題に加えて、AIの観点からの潜在的なソリューションにも重点を置いています。
  論文  参考訳（メタデータ） (2024-01-03T07:47:22Z)
• Green Edge AI: A Contemporary Survey [46.11332733210337]
  AIの変換力は、ディープニューラルネットワーク(DNN)の利用から導かれる。 ディープラーニング(DL)は、エンドユーザーデバイス(EUD)に近い無線エッジネットワークに移行しつつある。 その可能性にもかかわらず、エッジAIは大きな課題に直面している。主な原因は、無線エッジネットワークのリソース制限と、DLのリソース集約的な性質の分離である。
  論文  参考訳（メタデータ） (2023-12-01T04:04:37Z)
• The Future of Consumer Edge-AI Computing [58.445652425379855]
  Deep Learningは、主にデバイス間のハードウェアアクセラレーションによって、消費者のエンドに急速に浸透している。 将来を見据えて、孤立したハードウェアが不十分であることは明らかです。 本稿では,コンシューマエッジにおける計算資源とデータアクセスの再編成と最適化を目的とした,EdgeAI-Hubデバイスを中心とした新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2022-10-19T12:41:47Z)
• 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)
• Empowering Things with Intelligence: A Survey of the Progress, Challenges, and Opportunities in Artificial Intelligence of Things [98.10037444792444]
  AIがIoTをより速く、より賢く、よりグリーンで、より安全にするための力を与える方法を示します。 まず、認識、学習、推論、行動の4つの視点から、IoTのためのAI研究の進歩を示す。 最後に、私たちの世界を深く再形成する可能性が高いAIoTの有望な応用をいくつかまとめる。
  論文  参考訳（メタデータ） (2020-11-17T13:14:28Z)
• CLAN: Continuous Learning using Asynchronous Neuroevolution on Commodity Edge Devices [3.812706195714961]
  我々は、NeuroEvolutionary(NE)学習と推論を実行するWiFiを介して通信するRaspberry Piのプロトタイプシステムを構築した。 本研究では,このような協調システムの性能を評価し,システムの異なる配置の計算/通信特性について詳述する。
  論文  参考訳（メタデータ） (2020-08-27T01:49:21Z)
• 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。

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。