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

本文提出了一种有效的边缘计算推理方法，并探讨了在设备模型的计算成本和中间特征的通信成本之间进行的关键权衡。通过模型拆分点选择、通信感知模型压缩和任务导向的中间特征编码，提出了一个三步框架来有效地进行推理，实验结果表明，与基准方法相比，我们的提出的框架具有更好的权衡，可以显著减少推理延迟。

Jun, 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

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

利用 FPGAs 和 AI 加速器，边缘物联网设备实现了计算能力的大幅提升，研究探讨了通过 AI 设备实现分布式数据处理的方法，并提出了在分布式学习环境中管理不确定性的一种新方法，即贝叶斯神经网络。

Mar, 2024

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

该研究论文探讨了边缘计算和人工智能两个领域的结合 —— 边缘智能（EI），介绍了一个轻量级软件平台 OpenEI，来为边缘提供智能处理和数据共享的能力并分析了 4 种 EI 技术，最后呈现了 4 个开放应用场景。

Jun, 2019