論文の概要: EdgeCraft: Automated Model Crafting for Edge IoT

• arxiv url: http://arxiv.org/abs/2609.35167v1
• Date: Mon, 28 Sep 2026 13:39:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-02 16:26:45.819463
• Title: EdgeCraft: Automated Model Crafting for Edge IoT
• Title（参考訳）: EdgeCraft: Edge IoTのためのモデルクラフトの自動化
• Abstract要約: マシンラーニングは、エッジのIoT(Internet of Things)アプリケーションにますます力を与えています。 しかし、特定のシナリオのためにデプロイ可能なエッジMLアーティファクトを作成するには、データ表現、モデル設計、ドメイン固有のデータのトレーニング、カスタマイズにまたがる巨大な検索スペースをナビゲートする必要がある。 私たちは、高レベルのインテントをデプロイ可能なエッジMLアーティファクトに変換するLLM駆動システムであるEdgeCraftを紹介します。
• 参考スコア（独自算出の注目度）: 6.324525684036222
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning (ML) increasingly powers Internet of Things (IoT) applications at the edge. Yet producing a deployable edge ML artifact for a specific scenario requires navigating a huge search space spanning data representation, model design, training on domain-specific data, and runtime customization. This workflow is fragmented and difficult to scale across diverse edge applications. We present EdgeCraft, an LLM-driven system that turns high-level intent into deployable edge ML artifacts. Building such a system raises two challenges: (1) How can an LLM be guided to find high-quality solutions that meet dynamic SLOs for task quality, latency, and energy? (2) How can trustworthy target-device verification be obtained at low cost? EdgeCraft addresses these challenges with two designs. (1) A constraint-aware synthesis tree explores alternative candidates and uses measured SLO gaps to guide each improvement. (2) A multi-fidelity verifier progressively combines low-cost checks with full target-device verification to reduce verification cost while preserving reliable verification results. It also records verified failures for reuse, avoiding repeated device work. To support concurrency, EdgeCraft provides a multi-tenant runtime that runs cloud training and target-device verification in parallel while isolating requests. Across 50 public tasks, EdgeCraft exceeds the task-specific Reference in best-observed quality on 40 tasks and finds an SLO-feasible artifact on 45, with the two outcomes overlapping on 38 tasks. Moreover, EdgeCraft achieves competitive performance on our self-collected SEN dataset, suggesting its generalizability to real-world IoT sensing tasks.
• Abstract（参考訳）: マシンラーニング(ML)は、エッジのIoT(Internet of Things)アプリケーションにますます力を与えています。 しかし、特定のシナリオのためにデプロイ可能なエッジMLアーティファクトを作成するには、データ表現、モデル設計、ドメイン固有のデータのトレーニング、ランタイムのカスタマイズにまたがる巨大な検索スペースをナビゲートする必要がある。 このワークフローは断片化されており、さまざまなエッジアプリケーションにまたがるスケールが難しい。 私たちは、高レベルのインテントをデプロイ可能なエッジMLアーティファクトに変換するLLM駆動システムであるEdgeCraftを紹介します。 1) LLMは、タスク品質、レイテンシ、エネルギの動的SLOを満たす高品質なソリューションを見つけるために、どうやってガイドできるのか? (2)信頼性の高い目標デバイス検証を低コストで行うには? EdgeCraftは2つの設計でこれらの課題に対処する。 1) 制約対応合成木は代替候補を探索し, それぞれの改善を導出するために測定されたSLOギャップを利用する。 2) マルチフィデリティ検証は,信頼性のある検証結果を保存しながら,低コストのチェックと完全なターゲットデバイス検証を段階的に組み合わせて検証コストを削減する。 また、確認済みの障害を再利用するために記録し、繰り返しデバイス作業を避ける。 並列性をサポートするために、EdgeCraftはクラウドトレーニングとターゲットデバイス検証を並行して実行し、リクエストを分離するマルチテナントランタイムを提供する。 50の公開タスクにまたがって、EdgeCraftは40タスクで最高の品質のタスク固有の参照を超え、45タスクでSLO可能なアーティファクトを見つけ、38タスクで2つの結果が重複する。 さらに、EdgeCraftは、自己コンパイルされたSENデータセット上での競合的なパフォーマンスを実現し、実際のIoTセンシングタスクへの一般化性を示唆しています。

関連論文リスト

• Diffusion Language Models for Mobile Edge Agentic AI: Foundations, Applications, and Challenges [58.887152635127165]
  拡散言語モデル(DLM)は、モバイルエッジエージェント人工知能(AI)の非自己回帰的な代替手段を提供する DLMは複数の不確実なトークンを並列に更新し、生成プロセスを通して双方向のコンテキストを利用することができる。 この調査は、DLMの基礎をレビューし、レイテンシ、メモリ、エネルギ、帯域幅、プライバシ、信頼性制約の下でのエッジ設定に対する適合性を分析します。
  論文  参考訳（メタデータ） (2026-09-04T06:16:49Z)
• GTA: Generating Long-Horizon Tasks for Web Agents at Scale [82.43869456830664]
  我々は、クローリング、検索ベースのシード、コンテキスト内生成、自動品質管理を統合したスケーラブルなフレームワーク、GTAを導入する。 eコマース、政府、フォーラム、ニュースをカバーする50以上のウェブサイトでパイプラインをインスタンス化し、マルチリンガルとマルチホップをカバーしています。 i) マルチホップWebエージェントタスク生成の形式化、(ii) 自動データ生成のための効率的で検証されたパイプラインの提案、(iii) 再現可能な評価を伴う動的ベンチマークのリリースである。
  論文  参考訳（メタデータ） (2026-05-28T01:05:50Z)
• Trajectory2Task: Training Robust Tool-Calling Agents with Synthesized Yet Verifiable Data for Complex User Intents [52.30603055218294]
  Trajectory2Taskは,3つの現実的なユーザシナリオの下で大規模なツール使用を研究するための,検証可能なデータ生成パイプラインである。 有効なツールコールトラジェクトリを、制御されたインテント適応を伴うユーザ向けタスクに変換する。 我々は、生成された複雑なユーザシナリオタスクに対して、7つの最先端のLCMをベンチマークし、頻繁な障害を観察する。
  論文  参考訳（メタデータ） (2026-01-28T00:36:13Z)
• Z-Space: A Multi-Agent Tool Orchestration Framework for Enterprise-Grade LLM Automation [3.518072776386001]
  本稿では,データ生成指向型マルチエージェント協調ツール実行フレームワークZ-Spaceを提案する。 このフレームワークはElemeプラットフォームの技術部門にデプロイされており、大規模なテストデータ生成シナリオを提供している。 生産データは、ツール推論における平均トークン消費を96.26%削減していることを示している。
  論文  参考訳（メタデータ） (2025-11-23T03:59:14Z)
• Real-Time Detection and Tracking of Foreign Object Intrusions in Power Systems via Feature-Based Edge Intelligence [4.60587070358843]
  本稿では,電力伝送システムにおけるリアルタイム異物侵入(FOI)検出と追跡のための新しい枠組みを提案する。 本フレームワークは,(1)高速で堅牢なオブジェクトローカライゼーションのためのYOLOv7セグメンテーションモデル,(2)三重項損失を訓練したConvNeXtベースの特徴抽出器,(3)特徴支援IoUトラッカーを統合した。 スケーラブルなフィールドデプロイメントを実現するため、パイプラインは、混合精度推論を使用して、低コストのエッジハードウェアへのデプロイメントに最適化されている。
  論文  参考訳（メタデータ） (2025-09-16T17:17:03Z)
• VerlTool: Towards Holistic Agentic Reinforcement Learning with Tool Use [78.29315418819074]
  VerlToolは、体系的な設計原則を通じて制限に対処する統一的でモジュール化されたフレームワークです。 我々のフレームワークはARLTをマルチターントラジェクトリとして定式化し、マルチモード観測トークン(テキスト/画像/ビデオ)を単一ターンRLVRパラダイムを超えて拡張する。 モジュール化されたプラグインアーキテクチャは、軽量Python定義のみを必要とする迅速なツール統合を可能にする。
  論文  参考訳（メタデータ） (2025-09-01T01:45:18Z)
• SLED: A Speculative LLM Decoding Framework for Efficient Edge Serving [7.69991252191073]
  acronymは、軽量エッジデバイスが様々なドラフトモデルを使用して、複数の候補トークンをローカルにドラフトできるフレームワークである。 単一の共有エッジサーバは、より正確なターゲットモデルを用いてトークンを検証する。 Jetson Orin Nano、Raspberry Pi 4B/5、Nvidia A100 GPUを搭載したエッジサーバを使った最初の実験は、大きなメリットを示している。
  論文  参考訳（メタデータ） (2025-06-11T04:55:54Z)

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。