Sep, 2019

深雾守护者：从边缘到云端的抗故障深度神经网络推断

PDF
TL;DR通过引入深度模型增强方案 deepFogGuard，我们提出了一个用于防止分布式深度神经网络 (DDN) 推理任务失败的模型，该模型使用分配的跳过超链接作为设计基础，并使用两个真实数据集进行了 extensive 的实验证明。
distributed deep neural networksresiliencyedge-cloud networkssensor fusionbandwidth
发现论文，激发创造
  • 云、边缘和终端设备上的分布式深度神经网络

    分布式深度神经网络 (DDNN) 可以在云端、边缘设备和终端中适应深度神经网络的推断，由于其分布式特性，DDNN 增强了 DNN 应用程序的传感器融合、系统容错和数据隐私，通过将 DNN 映射到分布式计算层次结构中的不同组成部分并联合训练这些部分，我们最小化设备通信和资源使用并最大化提取特征的实用性。实验结果表明，DDNN 可以利用传感器的地理多样性来提高物体识别精度并减少通信成本。

    Sep, 2017

  • 基于深度学习的小型无人机分布式智能安全系统

    本文提出了一种基于边缘 - 雾计算的分布式执行方案，通过验证小型无人机上运行的随机子网络，以增强对云端计算的可靠性，同时提高了视觉位姿估计网络的性能和安全性。

    Jul, 2023

  • 智能物联网服务的分布式雾服务器中的图神经网络

    介绍了一个名为 Fograph 的分布式实时 GNN 推理框架，利用多个相邻的 IoT 数据源附近的多种多样的动态资源，通过引入健全的异构感知执行规划和特定于 GNN 的压缩技术来适应雾环境，从而显著优于最先进的云服务和雾部署。

    Jul, 2023

  • 面向网络优化的雾计算分布式学习

    本文提出了一种网络感知分布式学习优化方法，使设备在成本和效益之间进行数据传输和处理决策，并通过测试数据集证明算法能够显著提高网络资源利用效率，同时不损害模型学习准确性。

    Apr, 2020

  • 适应性 ResNet 架构用于资源受限的物联网系统中的分布式推理

    本文通过实证研究，鉴定了 ResNet 中可舍弃的连接，以实现在资源不足情况下的分布式计算；同时，提出了一个多目标优化问题，旨在减少延迟、提高准确性；实验证明了自适应的 ResNet 架构可以在分布过程中减少共享数据、能耗和延迟，同时保持高准确性。

    Jul, 2023

  • HealthFog: 基于集成深度学习的智能医疗系统，用于在集成 IoT 和 Fog 计算环境中自动诊断心脏疾病

    提出一种名为 HealthFog 的集成深度学习的边缘计算框架，将其部署在自动心脏病分析的实际应用中，将医疗服务提供为雾计算服务，并使用 IoT 设备高效地管理心脏患者的数据。

    Nov, 2019

  • 边缘设备上实现深度学习

    本论文探讨了 DNN 在资源受限的边缘设备上部署的优化问题，并研究了四种边缘智能场景下的深度学习方法，通过减少 DNN 冗余度来达到资源消耗与模型准确度之间的平衡。

    Oct, 2022

  • 云、边缘和终端设备上的深度神经网络分区调研

    本篇文章详细调研了针对云、边缘和端设备中的深度神经网络划分方法的最近进展和挑战，并提出了一个基于五维分类框架的统一数学模型，以及一组用于比较和评估这些方法的度量标准。

    Apr, 2023

  • 边缘智能：设备 - 边缘协同，按需深度学习模型协同推理

    提出了 Edgent，这是一种协作和按需的 DNN 合作推理框架，其旨在通过在设备和边缘之间自适应地分配 DNN 计算来提高实时 DNN 推理的性能，并通过在适当的中间 DNN 层进行早期退出来加速 DNN 推理。

    Jun, 2018

  • 从联邦学习到雾计算学习：在异构无线网络上的分布式机器学习

    通过使用一种叫作 Fog learning 的新学习范式，从边缘设备到云服务器中智能地分布机器学习模型的训练，来增强联邦学习的三个重要维度：网络、异构性和邻近性，并考虑由各种接近程度异构设备组成的多层混合学习框架，通过设备到设备（D2D）通信进行协作学习，使其从联邦学习中用于参数传输的星型网络拓扑迁移到更分布式的规模。

    Jun, 2020