MMApr, 2020

基于边缘云协同异质边缘资源限制下的在线学习

PDF
TL;DR本文提出了一个基于资源限制的多臂老虎机模型的在线学习框架，用于解决异构边缘设备的分布式机器学习问题，实验结果表明，该框架在学习性能和资源消耗之间的权衡方面显著优于现有的边缘学习和其他协作机器学习方法。
distributed machine learningedge learningresource constraintsonline learningcollaborative learning
发现论文，激发创造
  • 资源受限边缘计算系统中的自适应联邦学习

    本文主要研究在边缘计算环境中使用分布式梯度下降学习模型参数的问题，提出控制算法以最小化给定资源预算下的损失函数，并通过真实数据集的大量实验评估算法性能。

    Apr, 2018

  • EdgeOL：边缘设备上高效的现场在线学习

    通过内部和外部优化，EdgeOL 边缘在线学习框架优化了推理准确率、微调执行时间和能量效率，平均降低了 82% 的微调执行时间和 74% 的能量消耗，并提高了 1.70% 的平均推理准确率。

    Jan, 2024

  • 边缘云多用户推理编排的在线学习

    我们提出了一种基于强化学习的计算卸载解决方案，它可以在考虑首选深度学习模型选择技术的情况下学习最佳卸载策略，以最小化响应时间同时提供足够的准确性，我们的解决方案在 AWS 和 ARM 核心配置的多个实现中提供 35％的加速，并且最少仅有 0.9％的准确性降低，展示了我们在线学习框架在边缘计算及联云系统中编配深度学习推理的潜力。

    Feb, 2022

  • 边缘训练机器学习模型：一项调查

    边缘计算领域的机器学习模型训练方面存在挑战，本研究综合了边缘学习的不同方法和方法论，识别出挑战，并探讨未来的趋势。

    Mar, 2024

  • 深度学习应用中的分层推理在线算法

    研究了嵌入小型机器学习模型的资源受限边缘设备与托管大型机器学习模型的边缘服务器之间的 Hierarchical Inference 策略，提出了在线元学习框架，以预测小型模型的分类猜测正确性，并使用四个数据集对其性能进行了评估。

    Apr, 2023

  • HFEL：面向成本效益的分层联合边缘学习的联合边缘关联和资源分配

    介绍了一种新的 Hierarchical Federated Edge Learning（HFEL）框架，以及在此框架下计算和通信资源分配以及设备用户的边缘关联问题的解决方案，同时提出了一种有效的资源调度算法。经过广泛的性能评估，表明 HFEL 框架优于传统联邦学习的基准，并且可以实现更好的训练性能和全球成本节约。

    Feb, 2020

  • 多用户边缘云网络中编排深度学习推理的混合学习

    通过将基于模型的强化学习和无模型强化学习相结合，我们提出了一种混合学习策略，可以加速深度学习推理编配过程中寻找最佳编配策略的过程，并在实验中表现出比基于最新强化学习方法的编排方法加速学习过程 166.6 倍的高效性。

    Feb, 2022

  • 6G 边缘网络中的分布式学习

    本文主要介绍了在 6G 移动网络时代，如何将分布式边缘计算资源与联邦学习相结合，并引入分裂学习以处理海量资源受限的物联网设备，重点讨论边缘分裂学习及其在多边缘协作与移动管理中的设计问题与待解决的开放性问题。

    Jun, 2023

  • 云、移动和边缘环境中的分布式学习综述

    在深度学习、卷积神经网络和大型语言模型的时代，机器学习模型变得越来越复杂，需要大量的计算资源进行推理和训练。为了解决这个挑战，分布式学习已经成为一种关键方法，通过在各种设备和环境中进行并行化来实现。本调查研究对分布式学习的领域进行了探索，涵盖了云端和边缘设置。我们深入研究了数据和模型并行性的核心概念，研究了如何在不同维度和层次上对模型进行分割以优化资源利用和性能。我们分析了针对不同层类型的各种分割方案，包括全连接层、卷积层和循环层，突出了计算效率、通信开销和内存限制之间的权衡。这项调查研究通过比较和对比不同背景下的分布式学习方法，为未来的研究和发展提供了宝贵的见解。

    May, 2024

  • 值得信赖的边缘机器学习：一项调查

    边缘机器学习与可信边缘机器学习（EML）的融合是一个备受关注的研究领域，通过利用分布式网络资源以合作方式进行联合训练和推理。然而，EML 面临着多种挑战，包括资源限制、异构网络环境和不同应用的多样化服务要求，这些都影响了 EML 在利益相关者眼中的可信度。本调研综述对可信 EML 的定义、属性、框架、技术和解决方案进行了综合总结。特别是，我们首先强调了在第六代（6G）网络背景下可信 EML 的重要性。然后，我们从部署和实际应用场景的角度讨论了可信度的必要性。接下来，我们给出了对可信 EML 的初步定义，并探讨了它的关键属性。随后，我们介绍了可信 EML 系统的基本框架和支持技术，并对增强 EML 可信度的最新解决方案进行了深入文献综述。最后，我们讨论了相关的研究挑战和未解决问题。

    Oct, 2023