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

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

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

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

无线网络的演变趋势是朝着连接智能化发展，边缘人工智能作为一种有前景的解决方案，通过在网络边缘提供高质量、低延迟和保护隐私的人工智能服务来实现连接智能化。本文介绍了一种自主边缘人工智能系统，它自动组织、自适应并优化自身以满足用户的多样化需求。该系统采用云 - 边缘 - 客户端分层架构，其中大型语言模型（即 GPT）位于云端，其他人工智能模型则共同部署在设备和边缘服务器上。通过利用 GPT 在语言理解、规划和代码生成方面的强大能力，我们提出了一种多功能框架，它能够高效协调边缘人工智能模型以满足用户的个性化需求，同时通过边缘联合学习自动生成训练新模型的代码。实验结果表明，该系统具有精确理解用户需求、以最小成本高效执行人工智能模型以及通过联邦学习有效创建高性能人工智能模型的非凡能力。

Jul, 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

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

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