論文の概要: WARD: Runtime Workload-Adaptive Vision TRansformer Framework for Dependable Edge AI

• arxiv url: http://arxiv.org/abs/2609.17556v1
• Date: Mon, 20 Jul 2026 05:40:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.554613
• Title: WARD: Runtime Workload-Adaptive Vision TRansformer Framework for Dependable Edge AI
• Title（参考訳）: WARD: 依存関係のあるエッジAIのための実行時ワークロード適応型ビジョンTRansformerフレームワーク
• Abstract要約: エッジデプロイAIは、動的に変化する電力予算、信頼性要件、入力分布の下で動作します。 WARDはランタイム適応型の信頼性フレームワークで、チャネルワイドのサブネットワーク分割、信頼性に配慮した継続的学習、動的オペレーティングモードスケジューリングを組み合わせる。 提案した分割アーキテクチャは、ビットエラー率の高いネットワークレベルの障害率をわずか1.79%で達成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Edge-deployed AI operate under dynamically changing power budgets, reliability requirements, and input distributions, requiring continuous adaptation. Such conditions arise in long-running edge AI applications, including autonomous systems, industrial monitoring, and satellite onboard intelligence. Existing fault-tolerant methods assume static operating conditions, whereas continual learning techniques neglect concurrent hardware faults during online adaptation. Moreover, the practical deployment of runtime-adaptive reliability frameworks on programmable AI accelerators remains largely unexplored. This paper presents WARD, a runtime-adaptive Vision Transformer framework that combines channel-wise subnetwork partitioning, reliability-aware continual learning, and dynamic operating-mode scheduling to jointly optimize performance, fault tolerance, and adaptation according to runtime conditions. Two physically isolated subnetworks execute under four operating modes (i.e. Full-Precision Mode, Low-Power Mode, High-Reliability Mode, and Adaptive Mode) that dynamically adjust computational cost and reliability while ensuring uninterrupted inference for real-time requirements. To validate the practical deployability of the proposed framework, WARD is implemented on a lightweight FPGA-based accelerator extended with runtime hardware support for mode scheduling and resource management. Experimental results demonstrate that the proposed split architecture achieves a network-level failure rate of only 1.79% under high Bit Error Rates. The hardware implementation incurs less than 5% area overhead and supports runtime mode transitions within few clock cycles, demonstrating that adaptive reliability management can be integrated into programmable edge AI accelerators with negligible implementation overhead.
• Abstract（参考訳）: エッジデプロイAIは、動的に変化する電力予算、信頼性要件、入力分布の下で動作し、継続的な適応を必要とする。 このような状況は、自律システム、産業監視、衛星搭載インテリジェンスなど、長期にわたるエッジAIアプリケーションで発生する。 既存のフォールトトレラント法は静的な動作条件を仮定するが、連続学習法はオンライン適応中に同時ハードウェア障害を無視する。 さらに、プログラム可能なAIアクセラレーターへの実行時適応型信頼性フレームワークの実践的展開については、まだ明らかになっていない。 本稿では,チャネルワイズサブネットワーク分割,信頼性を考慮した連続学習,動的動作モードスケジューリングを組み合わせた実行時適応型ビジョントランスフォーマフレームワークであるWARDについて述べる。 物理的に分離された2つのサブネットは、4つの動作モード(フル精度モード、低電力モード、高信頼性モード、適応モード)で実行し、計算コストと信頼性を動的に調整し、リアルタイム要求に対する不断の推論を保証する。 提案フレームワークの実用的デプロイ性を検証するため、WARDは、モードスケジューリングとリソース管理のためのランタイムハードウェアサポートを拡張した軽量FPGAベースのアクセラレータに実装されている。 実験の結果,提案した分割アーキテクチャはビット誤り率1.79%のネットワークレベルの故障率を達成できた。 ハードウェア実装は、5%未満のオーバヘッドを発生させ、数サイクルでランタイムモードのトランジションをサポートし、適応的な信頼性管理を、無視可能な実装オーバーヘッドを持つプログラム可能なエッジAIアクセラレータに統合できることを実証する。

関連論文リスト

• Time-Efficient Iterative Learning Planning for Safety-Critical Dynamic Obstacle Avoidance [49.35246226163005]
  本稿では、予測リスクブレンド制御バリア機能(ARB-CBF)を統合することにより、動的環境における安全クリティカルなナビゲーションに反復学習計画(ILP)を拡張する。 総合的なシミュレーションと実世界の実験により、最適化ベースのベースラインに比べて計算オーバーヘッドが低く、時間効率と安全性が優れていることが証明された。
  論文  参考訳（メタデータ） (2026-09-17T14:12:36Z)
• A Neural Network Based Teleoperation for Remote Controlled Vehicles [98.38733381483934]
  車両の直接遠隔操作は重要な技術的ボトルネックに直面している。 通信遅延とオペレーターの 物理的に知覚できない 未モデル化の環境障害。 本稿では,一方的な遠隔操作フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-11T01:51:08Z)
• AdaptiveSD A Stability-Aware, Runtime-Adaptive Speculative Decoding Framework with Multi-Policy Orchestration for CPU-Constrained LLM Inference [0.0]
  固定深度投機的復号化は有望な手法の1つとして現れてきたが、実際には、帯域幅の飽和、不安定性、あるいは破滅的なリソースの枯渇による性能低下がシステム障害の原因となることが多い。 当社のソリューションは、4つの密結合したコンポーネントが連続的なフィードバックループで連携する。Adaptive Draft Controller、Dynamic Policy Engine、KVキャッシュ調整レイヤ、モニタリングエンジンである。 従来の手法はスループットを最大化することのみに重点を置いているが,提案手法の有効性は,投機的効率の標準的な測定基準と並行して,無駄な計算処理やトークン間遅延分散など,いくつかの重要な指標に基づいて評価する。
  論文  参考訳（メタデータ） (2026-07-04T13:39:40Z)
• Position Paper: From Edge AI to Adaptive Edge AI [4.915029686150193]
  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。
  論文  参考訳（メタデータ） (2026-03-31T08:12:29Z)
• TS-DP: Reinforcement Speculative Decoding For Temporal Adaptive Diffusion Policy Acceleration [64.32072516882947]
  拡散ポリシーは、具体的制御が優れているが、高い推論遅延と計算コストに悩まされている。 時間認識強化に基づく投機的拡散政策(TS-DP)を提案する。 TS-DPは94%以上のドラフトで最大4.17倍高速な推論を実現し、推論周波数は25Hzに達した。
  論文  参考訳（メタデータ） (2025-12-13T07:53:14Z)
• Efficient Onboard Vision-Language Inference in UAV-Enabled Low-Altitude Economy Networks via LLM-Enhanced Optimization [61.55616421408666]
  低高度経済ネットワーク(LAENets)は、航空監視、環境検知、セマンティックデータ収集など、様々な応用を可能にしている。 オンボードビジョン(VLM)は、リアルタイムな推論を提供するが、オンボードの動的ネットワーク条件は限られている。 動的LEENet条件下での通信効率を向上させるUAV対応LEENetシステムを提案する。
  論文  参考訳（メタデータ） (2025-10-11T05:11:21Z)
• Grid-Agent: An LLM-Powered Multi-Agent System for Power Grid Control [4.3210078529580045]
  本稿では、グリッド違反を検出し、修正する自律型AI駆動フレームワークであるGrid-Agentを紹介する。 Grid-Agentは、意味論的推論とモジュラーエージェントによる数値的精度を統合する。 IEEEおよびCIGREベンチマークネットワークの実験は、優れた緩和性能を示す。
  論文  参考訳（メタデータ） (2025-08-07T01:10:28Z)
• Edge-Based Multimodal Sensor Data Fusion with Vision Language Models (VLMs) for Real-time Autonomous Vehicle Accident Avoidance [12.513296074529727]
  本稿では,自律走行のためのリアルタイムエッジベース自律走行軌道プランナ(REACT)を提案する。 REACTは、微調整軽量ビジョンランゲージモデル(VLM)に基づくADのためのV2X統合軌道最適化フレームワークである。 DeepAccidentベンチマークで評価されたREACTは、最先端の性能、77%の衝突率の低減、48.2%のビデオパノプティクス品質(VPQ)、およびJetson AGX Orinでの0.57秒の推論遅延を実現している。
  論文  参考訳（メタデータ） (2025-08-01T20:16:04Z)
• Real-Time GPU-Accelerated Machine Learning Based Multiuser Detection for 5G and Beyond [70.81551587109833]
  非線形ビームフォーミングフィルタは、大規模な接続を伴う定常シナリオにおいて、線形アプローチを著しく上回る。 主な課題の1つは、これらのアルゴリズムのリアルタイム実装である。 本稿では,大規模並列化によるAPSMに基づくアルゴリズムの高速化について検討する。
  論文  参考訳（メタデータ） (2022-01-13T15:20:45Z)

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。