AI - 边缘设备下多智能体分布式学习的不确定性估计
通过开发并建立新的方法,KDT NEUROKIT2E 项目旨在为边缘设备上的人工智能应用提供新的开源框架,其中包括量化、剪枝感知训练和稀疏化等创新技术,以显著扩展此类设备的功能范围,利用本地资源来处理复杂的机器学习任务,为创新的学习方法奠定基础。
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
本文主要研究在边缘计算环境中使用分布式梯度下降学习模型参数的问题,提出控制算法以最小化给定资源预算下的损失函数,并通过真实数据集的大量实验评估算法性能。
Apr, 2018
在这篇文章中,我们提出了协作边缘训练这一新的训练机制,利用可信的边缘设备作为资源池来加速边缘的可持续大型人工智能模型训练,并分析了该系统的优点和可持续调度选择以及对能源需求的实证研究,同时讨论了可持续协作边缘训练面临的挑战和未来发展方向。
Apr, 2024
本文提出了一种新的框架,叫做联合边缘智能(FEI),以评估物联网网络的能量成本和边缘服务器的本地数据处理能力,从而使边缘服务器适时地请求足够训练令人满意的模型所需的数据。同时,本文引入了映射函数来评估边缘服务器的计算负载,最后采用基于 ADMM 的方法来优化物联网网络的能量成本和边缘服务器的平均计算资源利用率。该文证明,所提出的算法不会泄露任何数据,也不会泄漏物联网网络的拓扑信息。仿真结果表明,FEI 框架可以在有限的牺牲模型收敛性能的情况下,显著提高物联网网络和边缘服务器的资源效率。
Nov, 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
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
研究论文通过探索分布式群集学习(DSL)这一新颖框架,结合了人工智能和生物群体智能,以解决物联网在无线网络边缘面临的通信和计算瓶颈、设备和数据异构性、安全风险、隐私泄露、非凸优化和复杂无线环境等问题。该框架为无线网络边缘的大规模物联网提供了高效解决方案和强大工具。
Mar, 2024