EdgeMA 是一个实际高效的视频分析系统，通过基于统计纹理特征的灰度共生矩阵提取和随机森林分类器检测领域转变，以及基于重要性加权的模型适应方法，解决了边缘设备上实时视频分析中数据漂移问题，并通过真实数据集的严格评估，结果表明 EdgeMA 显著提高了推理准确性。

Aug, 2023

基于云边弹性模型适应（CEMA）范式，本文提出了一个在边缘设备上进行深度学习模型自适应的方法，通过前向传播和样本重放策略，更新和分发规范化层的仿射参数，以适应动态变化的环境，从而提高性能并减少通信负担。

Feb, 2024

提出 ADSP 参数同步方案，解决了分布式机器学习中参数同步与边缘设备的异构性问题，通过策略性地决定每个工作节点提交模型更新的时间点，不仅确保了全局模型收敛，而且加快了收敛速度。

Nov, 2019

此研究提出了一种被称为 EdgeConvEns 的卷积集成学习方法，它在边缘设备上训练异构弱模型，并学习将它们集成起来，从而提高整体的预测性能。通过在边缘设备上独立实现和训练 Field-Programmable Gate Array（FPGA）设备上的模型，并将学习到的数据表示传输到中央服务器，EdgeConvEns 能够在多种训练场景下更少的通信和数据使用的情况下，胜过当前最先进的性能。

Jul, 2023

FilterForward is an edge-to-cloud system that uses lightweight edge filters and microclassifiers to reduce bandwidth use by an order of magnitude while improving computational efficiency and event detection accuracy for video camera data processing.

May, 2019

研究节约时间、资源、保隐私的联邦边缘学习架构系统，通过 CPU 和 GPU 场景的联合批大小选取和通信资源分配，来缩短训练时间并提高训练准确性。

May, 2019

本文提出了一种新颖的边缘计算实时视频分析系统，包括跟踪辅助对象检测模块和感兴趣区域模块，在具有波动网络条件的情况下，通过无线网络将智能视觉设备连接到边缘服务器，通过基于深度 Q 网络的边缘处理方法和基于多臂赌博机的自适应配置选择方法来解决实时视频分析问题。通过大量的模拟实验评估了该解决方案的性能，并展示了其优势。

Feb, 2024

在本文中，我们提出了一种基于 Lyapunov 优化框架的算法，用于设计一种动态调度策略，以最大化定期生成训练数据的用户集的时间平均数据重要性，并满足能源消耗和延迟约束，特别是在训练数据的生成具有强烈时间相关性的情况下明显优于其他方法的联邦边缘学习系统。

May, 2023

本文提出了一种基于深度学习算法的分布式智能视频监控系统，并将其部署在边缘计算环境中，在边缘设备上进行任务级并行和模型级并行训练，从而实现了低延迟和精确的视频分析解决方案，同时实现了模型同步和工作负载平衡。实验结果表明，该分布式边缘计算架构可以提供弹性和可扩展的计算能力，并且提出的分布式智能视频监控系统可以高效地处理视频监控和分析任务。

Apr, 2019

本文提出了一种新的权重部分更新方法，通过分析损失差异上限来智能选择每个服务器与远程边缘节点通信轮次中要更新的少量权重，从而实现与完全更新相似的性能，可应用于新兴的边缘智能应用。实验结果表明，在更新数量较少的情况下实现了高的推理准确性。

Jul, 2020