边缘智能赋能基于物联网的医疗系统
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
本文介绍了利用 MEC(多接入边缘计算)架构实现智能医疗应用的愿景,并探讨了其带来的好处,包括实现网络和上下文感知处理以满足 S-Health 的要求,并提出应用于数据传递的两个主要功能,即多模态数据压缩和基于边缘的特征提取。
Apr, 2020
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(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
数字能源互联网(IoE)的数字领域即将在集成边缘人工智能(AI)的帮助下发生革命性转变。本综述详细阐述了边缘 AI 对重塑 IoE 生态系统的承诺和潜力。通过精心策划的研究方法,文章深入探讨了专门为 IoE 量身定制的众多边缘 AI 技术。从降低延迟和实时分析到信息安全、可扩展性和成本效益等关键方面的众多好处,凸显了边缘 AI 在现代 IoE 框架中的不可或缺性。随着叙述的深入,读者将了解到实际应用和技术,重点关注设备上的计算、安全的私有推理方法以及边缘 AI 训练的前沿范式。随后进行了一项关键分析,探讨了目前面临的挑战,包括安全问题、计算难题和标准化问题。然而,随着技术的不断拓展,综述以展望未来的观点告终,设想了 5G 网络、联邦边缘 AI、深度强化学习等未来的共生关系,描绘了未来所展示的生动画面。对于在 IoE 和 AI 领域投入的任何人来说,本综述既提供了基础知识,又以一种有远见的眼光,将现实与未来的可能性联系起来。
Nov, 2023
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