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

本文介绍了物联网，自动驾驶汽车和环境的完全集成的智能车联网时代，讨论了存储和处理巨量数据的挑战，以及在车联网的边缘部署储存和计算资源的优势，指出了边缘信息系统对于智能车联网的关键作用。

Jun, 2019

本文提出了一种基于可重构智能表面 (RIS) 的移动边缘计算 (MEC) 结合人工智能 (AI) 和机器学习 (ML) 的架构，在最大化学习性能的前提下，通过联合优化移动用户的传输功率、基站的波束成形向量和 RIS 的相移矩阵，以最小化参与用户的最大学习误差。仿真结果证明了部署 RIS 和采用本文算法相比各种基准算法均能显著提高性能，并且在基于 CARLA 平台和 SECOND 网络构建的统一通信 - 训练 - 推理平台上演示了应用于自动驾驶中的三维物体检测的案例。

Dec, 2020

本文提供了 6G 边缘智能的愿景，着重探讨了边缘计算基础设施和平台、数据和边缘网络管理、边缘软件开发以及 ML / AI 算法的实时和分布式训练等方面的内容，旨在实现带有安全、隐私、定价和最终用户方面的智能边缘服务。我们的主要目标是从物联网向智能物联网转变，并提供 6G 智能边缘的发展路线图。

Apr, 2020

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

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

本文旨在探讨 6G 边缘本地人工智能网络中的关键需求和挑战，并介绍了一种基于自我监督生成对抗网络的自学习体系结构，可以在网络边缘实现自动数据学习和合成，实现较大的性能提升。最后，讨论了自学习可实现的未来趋势和关键研究问题。

Oct, 2020

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

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

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