本文综述了近期在人工智能边缘计算系统中与解决通信挑战相关的技术，着重介绍了从算法和系统两个方面提高在网络边缘的训练与推理的通信效率的方法，并突出了未来研究方向。

Feb, 2020

人工智能的复兴引发了边缘学习新研究领域的兴起，以支持在各种边缘设备上部署基于人工智能的应用程序，该领域通过利用移动边缘计算平台及在大量边缘设备上分布的海量数据来克服每个边缘设备的有限计算能力和数据量，并提出了一些以学习为驱动的无线通信设计原则，这为边缘通信和学习研究提供了新的机会。

Sep, 2018

通过将人工智能（AI）与边缘计算相结合，边缘智能利用终端设备和边缘服务器的计算和通信能力，在数据产生的地方进行处理，从而实现人工智能的大规模和高效部署。其中一项关键技术是隐私保护的机器学习范式 Federated Learning（FL），该范式使数据所有者能够在无需将原始数据传输到第三方服务器的情况下训练模型。然而，FL 网络预计涉及成千上万个异构分布式设备，因此通信效率仍然是一个关键瓶颈。为了减少节点故障和设备退出，提出了一种分层联邦学习（HFL）框架，其中指定的集群领导者通过中间模型聚合支持数据所有者。因此，基于改进的边缘服务器资源利用，本文可以有效弥补缓存容量的限制。为了减轻软点击对用户体验质量（QoE）的影响，作者将用户 QoE 建模为综合系统成本。为解决这个公式化问题，作者提出了一种具有联邦深度强化学习（DRL）和联邦学习（FL）的分散式缓存算法，其中多个代理独立学习并做出决策。

Mar, 2024

通过深度学习的突破，将计算任务和服务从网络核心推向网络边缘的边缘计算成为一种新兴范式，旨在利用边缘大数据的潜力，本文综述了最近关于边缘智能的研究进展，并讨论了未来的研究机会。

May, 2019

该论文提出了一种基于边缘计算的 DNN 协同推理框架 Edgent，通过 DNN 分区和权衡设备的云资源和临近边缘资源来协调实时的 DNN 推理，进而降低计算延迟，实现低延迟边缘智能处理。

Oct, 2019

本文探讨了新兴的边缘计算范式和人工智能应用之间的交叉，提出了边缘智能的新概念，并从广泛的视角阐述了核心概念和研究规划，为未来的边缘智能研究提供了必要的背景。

Sep, 2019

本文提出了一种新的结合了边缘计算、缓存和通信的异构物联网智能边缘架构，并通过 Smart-Edge-CoCaCo 算法对其进行性能优化，实验结果表明该算法对于计算任务数据和并发用户数量的增加，相较于传统的云计算模型，其计算延迟更低。

Jan, 2019

本文提出了一种有效的边缘计算推理方法，并探讨了在设备模型的计算成本和中间特征的通信成本之间进行的关键权衡。通过模型拆分点选择、通信感知模型压缩和任务导向的中间特征编码，提出了一个三步框架来有效地进行推理，实验结果表明，与基准方法相比，我们的提出的框架具有更好的权衡，可以显著减少推理延迟。

Jun, 2020

本文探讨了物联网、边缘计算、5G 移动通信、人工智能 / 机器学习等技术在支持实时应用和满足复杂多样化的应用需求方面的潜力和挑战。

Dec, 2020

提出了一种基于联邦元学习的平台辅助协作学习框架，用于解决物联网边缘节点受限计算资源和数据局限性的问题，并实现了针对边缘目标节点的快速任务适应。此外，还提出了基于分布式鲁棒优化的鲁棒性联邦元学习算法，并在数据集上展示了其有效性。

Jan, 2020