通过 ECLM 边缘云协作学习框架，将边缘和云模型高效协作，在动态边缘环境中提高模型性能和资源利用效率。

Nov, 2023

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

本研究提出了一种基于语义驱动的云边协作方法，用于加速视频推断，以车牌识别为案例研究。通过将语义提取和识别分离，在减少端到端延迟和提高吞吐量的基础上，将计算密集型的识别任务分配给云端或相邻边缘节点进行处理。实验证明，与仅采用云端或仅采用边缘节点处理相比，该方法可以显著提高端到端推断速度（高达 5 倍），吞吐量（高达 9 FPS）和减少流量（减少 50%），从而验证了该方法的效率。语义驱动的云边协作框架为智慧城市中的视频分析提供了具有良好前景的解决方案。

Sep, 2023

利用大型语言模型（LLM）和移动边缘计算（MEC），我们提出了一种基于 LLM 的离线框架（LAMBO）来解决传统深度离线架构面临的问题，通过四个组成部分实现了高性能决策制定、预训练和在动态环境变化下微调解码器。模拟结果证实了 LAMBO 框架的优势。

Aug, 2023

本文介绍一种叫做 Edge-Fog Cloud 的架构，它利用 LPCF 方法将处理任务分配到云资源网络中，以实现最优的处理时间和尽量少的网络成本。

Feb, 2017

通过云 - 边缘协作处理范例，我们提出了一种分布感知的相关建模网络（DaCM），用于重新识别系统，将希望的图像尽快返回云服务器，通过学习建模实例之间的时空关联性。我们的方法明显减少传输开销并显著提高性能。

Jan, 2024

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

通过低成本边缘物联网架构，提出了实现轻量级机器学习模型估计室内环境质量参数的两种方法，采用神经网络和分布式并行物联网架构，以减少数据处理负载和能源消耗。实验表明，在温度和照度小数据集上进行的训练和测试中，估计性能接近 0.95 的 F 分数和准确度，并且在分布式并行方法中，功耗降低了将近 37%。与相关研究的等效物联网架构相比，达到了相似或稍微更好的性能，并实现了 35% 至 76% 的误差减少，从而在性能和能源效率之间取得了恰到好处的平衡。

Feb, 2024

我们提出了一种基于强化学习的计算卸载解决方案，它可以在考虑首选深度学习模型选择技术的情况下学习最佳卸载策略，以最小化响应时间同时提供足够的准确性，我们的解决方案在 AWS 和 ARM 核心配置的多个实现中提供 35％的加速，并且最少仅有 0.9％的准确性降低，展示了我们在线学习框架在边缘计算及联云系统中编配深度学习推理的潜力。

Feb, 2022

本文提出了一种在线识别人们佩戴个人防护装备的架构，可用于确保建筑工人的安全，可以在边缘 - 云和仅边缘的两种设置下部署，使用 YOLOX 方法在建筑工地上进行了测试，初步评估表明，对于这种用例，边缘部署是可行的，未来的工作将包括对两种架构变体性能方面进行深入研究和部署。

Jan, 2023