Aug, 2023

关于边缘端实时学习新型人类体力活动的实用经验

PDF
TL;DR利用移动传感器收集的数据，通过我们的 MAGNETO 系统以学习人类活动为重点的实验，我们深入研究了边缘机器学习（Edge ML）的复杂性，考察了边缘设备上受限数据存储、训练的有限计算能力和学习类别数量之间的相互依赖关系，并提供了关于 Edge ML 的有价值的观点。
发现论文，激发创造
  • 利用边缘到云的连续性在分散数据上实现可扩展机器学习

    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

  • MAGNETO: 边缘 AI 用于人体活动识别 —— 隐私与个性化

    提出了一个边缘 AI 平台 MAGNETO，可以在边缘设备上进行增量式的人类活动学习，克服了与云之间的数据交换导致的数据隐私问题，同时实现了强大的个性化能力和低处理延迟。

    Feb, 2024

  • 网络边缘的机器学习调查

    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

  • 边缘端增量学习中处理灾难性遗忘在人体活动识别中的应用

    本文介绍了一种名为 PILOTE 的方法，可以在极端的边缘设备上实现增量学习，解决了云端学习过程中数据隐私和实用性等问题，经过大量实验验证能够在资源极其有限的边缘设备上提供可靠的性能。

    Feb, 2023

  • 边缘智能无线网络

    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

  • 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

  • 走向智能边缘：无线通信与机器学习相遇

    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

  • 边缘上的主动推理：一个设计研究

    机器学习在分布式计算系统中被广泛应用于解释和预测行为，特别是在物联网设备产生大量数据时，通过边缘设备进行数据处理和机器学习训练。为了保证服务质量，系统通过机器学习进行监督和动态调整。然而，如果机器学习模型长时间不进行重新训练，它们可能无法准确捕捉到变量分布的渐变变化，导致对系统状态的错误预测。此外，随着预测准确度的降低，报告设备应主动解决不确定性以提高模型的精确性。脑神经科学中的主动推理（Active Inference）概念可以提供这种自主决策的能力，它描述了大脑如何不断预测和评估感觉信息以减少长期的惊奇感。我们在一个智能制造案例中实现了这些概念，通过一个单一的行动 - 感知循环实现了分布式智能体，展示了我们的主动推理代理能够在满足服务质量要求的同时快速和可追溯地解决优化问题。

    Nov, 2023

  • 边缘云极化与协作：AI 综述

    本文系统地回顾了云计算和边缘计算两种 AI 模型，并首次建立了云边协同建模的协作学习机制，最后讨论了该领域的前景和挑战。

    Nov, 2021

  • 通过选择性边缘执行改善物联网分析

    本研究旨在提高 IoT 设备分析数据的性能，通过使用边缘计算服务器来增强分析，具体使用算法进行优化，使得可以智能地利用云端服务满足需求

    Mar, 2020