通过在网络边缘部署机器学习算法，利用数十亿移动设备产生的大量实时数据进行边缘学习，从而训练出能够实现智能移动应用的 AI 模型。本研究提出了一种名为数据重要性感知自动重传请求（importance ARQ）的重传协议，旨在实现无线数据采集的可靠性和对加速模型收敛有助益的数据量的平衡利用。通过在经典分类器模型和卷积神经网络模型上的实验结果验证了该协议的有效性。

Dec, 2018

本研究旨在提高边缘学习的数据采集效率，设计一种基于数据重要性的用户调度算法，该算法通过考虑数据的信息性指标，利用多用户多样性实现更快的模型收敛速度。

Oct, 2019

本文探讨了边缘机器学习的关键构建块，神经网络架构的不同分裂及其内在的权衡，以及来自广泛数学学科的理论和技术促进因素，最终呈现了几个关于各种高风险应用的案例研究，展示了边缘机器学习在发挥 5G 及其以后的全部潜力方面的有效性。

Dec, 2018

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

近年来，移动计算和物联网网络的快速部署使得无线系统的通信和感知能力大幅增强，而基于大数据分析、普适计算和人工智能（AI）的新型网络架构 —— 无线 AI 将 AI 推向网络边缘，成为未来智慧网络演进的关键，本文提出了一个从数据驱动的角度出发，关于无线 AI 的最新研究的综合调查，尤其在数据驱动领域，对无线 AI 在各个领域具有的应用进行了深入讨论，为无线网络的设计和优化提供了可能的解决方案和方向。

Feb, 2020

本文介绍了一种将模型训练和推断能力嵌入到网络边缘的边缘人工智能技术，为 6G 提供了一种优化网络效率、效果、隐私和安全的解决方案，并提出了新的无线网络设计原则、面向服务的资源分配优化方法、端到端的架构以支持边缘人工智能。

Nov, 2021

本文针对 5G 及更高版本中的高复杂度无线资源管理问题，通过引入基于深度强化学习的云计算和分布式决策方案，并结合压缩算法和空间迁移学习，提出一种实现绿色深度强化学习的架构和算法，为实现绿色智能设备带来了潜在的解决方案。

Oct, 2019

本文探讨了数据驱动资源管理系统在分布式计算系统中的应用及其挑战所在，并提供了一个概念性的数据驱动 RMS 模型，并以 GPU 频率调节和互联网数据中心资源管理两个实时案例证明该方法是可行的。

Jun, 2020

本文综述了在边缘计算设备上部署机器学习系统的主要研究工作，重点关注了智能边缘系统成功应用中使用的压缩技术、工具、框架和硬件等方面的运营问题。

Jul, 2019

人工智能（AI）技术已成为众多行业的关键驱动力，包括消费电子、医疗保健和制造业，主要得益于过去十年间的复苏。AI 的变革力量主要来自于深度神经网络（DNN）的应用，其需要大量的训练数据和大量的计算资源进行处理。然而，由于与云通信相关的潜在延迟问题，深度学习（DL）工作流越来越多地过渡到靠近终端用户设备（EUDs）的无线边缘网络上。这种转变旨在支持对延迟敏感的应用，并催生了边缘 AI 的新范式，这将在即将到来的 6G 网络中支持无处不在的 AI 应用。尽管具有潜力，但边缘 AI 面临重大挑战，主要是由于无线边缘网络的资源限制和 DL 的资源密集性之间的矛盾。为确保性能既最佳又可持续，这需要对边缘 AI 采取注重能源的方法。因此，本文提供了关于绿色边缘 AI 的现代综述。我们首先分析了边缘 AI 系统的主要能源消耗组成部分，以确定绿色边缘 AI 的基本设计原则。在这些原则的指导下，我们进一步探讨了边缘 AI 系统中三个关键任务的能效设计方法，包括训练数据获取、边缘训练和边缘推理。最后，我们强调了进一步增强边缘 AI 能效的潜在未来研究方向。

Dec, 2023