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

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

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

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

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

本文提出了一种针对移动边缘计算的 “In-Edge AI” 框架，结合深度强化学习和联邦学习技术，利用设备和边缘节点之间的协作来优化移动边缘计算、缓存和通信，从而在减少系统通信负载的同时进行动态的系统级优化和应用级增强，具有近乎最优的性能。

Sep, 2018

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

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

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

这篇文章介绍了在应用和物理层中，通过研究三个高度耦合的过程的相互作用，提出了各种各样的集成传感 - 通信 - 计算方案，以改善资源利用率和实现边缘人工智能任务的定制目标。

Jun, 2023