DECICE:设备边缘云智能协同框架
本文提出了一种名为 DEI 的新型计算视觉,它融合了深度学习、人工智能、云计算、边缘计算、5G/6G 网络、物联网和微服务等技术,旨在为每个人和组织提供可靠和安全的智能服务。文章详细阐述了 DEI 的愿景、系统架构、关键层面和特点,并揭示了与之相关的关键技术和研究挑战。
Oct, 2022
本文介绍了一项基于机器学习的平台 ACE,通过它可以处理不断增加的边缘和云资源,用户透明的服务以及越来越多的智能工作负载。此平台可用于边缘云协作智能应用程序的开发和部署,以提高性能优化的效率。
Mar, 2022
本文提出了一种新的结合了边缘计算、缓存和通信的异构物联网智能边缘架构,并通过 Smart-Edge-CoCaCo 算法对其进行性能优化,实验结果表明该算法对于计算任务数据和并发用户数量的增加,相较于传统的云计算模型,其计算延迟更低。
Jan, 2019
本研究提出一种名为 CoEdge 的分布式深度神经网络计算系统,优化了边缘设备的计算和通信资源,在许多共同参与的异构边缘设备上进行协同深度神经网络计算,与现有方法相比,CoEdge 在降低能耗方面更具优势。
Dec, 2020
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
该论文提出了一种基于边缘计算的 DNN 协同推理框架 Edgent,通过 DNN 分区和权衡设备的云资源和临近边缘资源来协调实时的 DNN 推理,进而降低计算延迟,实现低延迟边缘智能处理。
Oct, 2019
本文提出了名为 AutoDiCE 的框架,该框架可自动将卷积神经网络模型分割成多个子模型,并自动生成代码以在多个边缘设备上执行这些子模型,从而支持边缘计算中的分布式 CNN 推断。实验结果表明 AutoDiCE 能够以更少的能量和内存使用量实现分布式 CNN 推断,并提高整个系统的吞吐量。
Jul, 2022
提出了一种面向资源受限设备的分散协作机器学习框架,使用了基于原型的增量学习算法、基于随机的模型交换协议以及用于预测和原型创建的两种算法。与典型的集中式增量学习方法相比,在准确性、训练时间和鲁棒性方面取得了非常有前景的结果。
Dec, 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
本文介绍了边缘计算智能(如边缘人工智能 / 机器学习)的应用和挑战,为解决现有方法存在的采用障碍,提出了一种基于模型为中心的设计,以建立分散体系结构下的高效协作学习。
Jun, 2023