关键词collaborative intelligence
搜索结果 - 14
- MM社会化学习:网络系统中边缘智能的范式转变综述
整合边缘智能和社交学习有助于发展协作智能网络,通过解决沟通挑战和网络策略等问题,优化系统效能,进而能够实现人工智能服务的充分潜力释放。
- 大型预训练模型的人工智能协同研究调查
人工智能在快速发展,人工智能系统与人类智能的协作,即人工智能协作 (HAI) 团队合作,已成为推动问题解决和决策过程进展的基石。本文调查了大型预训练模型与 HAI 的重要整合,并强调这些模型如何在协作智能方面超越传统方法。研究探讨了 LPt - 建设混合边缘云赋能认知互联网的基石
过渡到 “认知互联网” 时,我们在如何与技术和智能互动方面发生了重大转变。本文介绍了 “认知互联网” 的基础要素、特点、益处和产业影响,并强调了适应性人工智能基础设施和混合边缘云平台在支持这种转变方面的重要性。通过案例研究、展望性观点和实际 - Grad-FEC: 协同智能中的深度特征不等误差保护
本文介绍了一种新方法 —— 不等误差保护(ULP),通过特征重要性估算器来选择性应用前向纠错(FEC)码以保护重要的数据包以提高协同智能系统的鲁棒性和可靠性。
- MMDFTS2:在丢包信道上模拟深度特征传输
本文提出了名为 DFTS2 的仿真框架,使得研究人员能够在 TensorFlow2 中对 CI 系统进行组件定义,并选择各种参数的基于数据包的信道模型,以及在各种信道条件和误差 / 丢失控制策略下模拟系统行为。利用 DFTS2,我们还对协作 - MM通过低秩张量完成实现错误容忍的协作智能
本文研究了四种低秩张量完成方法的有效性,旨在恢复由深度学习模型产生的深度特征张量中的丢失数据,并研究了在各种情况下张量完成的有效性。
- 协作智能的神经网络特征张量轻量化压缩
本研究介绍了一种轻量级的压缩技术,用于在边缘设备上进行代码的分割,仅针对深度神经网络中的激活,而且不需要任何重新训练。当应用于流行的对象检测和分类深度神经网络时,能够将 32 位浮点激活压缩到 0.6 至 0.8 位,同时保持精度损失不到 - 协作智能的 Pareto 最优位分配
本文研究了多流协同智能系统中特征编码的位分配问题,并提供了单任务系统和多任务系统的闭式位分配解,以及二流 k 任务系统全帕累托集的解析特征和三流 2 任务系统帕累托集的界限。
- 多任务协同智能的比特分配
本研究提出了第一种用于多流、多任务合作智能的比特分配方法,以率失真优化作为约束条件。与其他替代比特分配方法相比,实验结果表明了所提出的模式的优势。
- 深度张量压缩的前后预测
本文提出了一种名为 BaF 预测的方法,可用于深度特征张量的压缩,通过在不需要重新学习网络权重的情况下极大地减少了特征张量压缩所需的比特数,从而优化了各种计算设备之间可用带宽受限通道的使用。实验证明,该方法使得在保持网络精度损失小于 1% - 利用可压特征进行协同智能的多任务学习
在此研究中,作者介绍了一种新的损失函数,旨在促进 feature 的可压缩性,而不会牺牲多个任务的系统性能,作者称之为压缩友好的丢失函数,实验结果显示,使用这种丢失函数,可以实现约 20%的比特率降低。
- 面向协作智能友好的深度学习架构
本文提出了一种新的协作智能友好型架构,通过将移动设备上计算的中间特征卸载到云端以降低需要发送到云端的数据量,使得在 ResNet-50 模型上,相比现有的云端计算方法,端到端延迟和移动能耗分别平均提高了 53 倍和 68 倍,而精度损失不到 - 基于深度特征的几乎无损压缩在协作智能中的应用
研究合作智能的新范式,提出了一种简单有效的接近无损的深度特征压缩器,在移动和云端之间分配网络以最小化系统的总能耗和 / 或延迟,同时探讨深度特征数据与自然图像数据之间的差异,并建议从压缩的深层特征中重建输入图像的方法,以补充深度模型所执行的 - 深度特征压缩用于协同目标检测
本论文探讨了在移动设备和云端之间进行特征数据通讯的 “协作智能” 范式,研究了损失压缩特征数据对协作物体检测准确性的影响,并提出了一种策略来提高其在损失特征压缩下的准确性。实验结果表明,采用该策略,通信开销可以降低 70%而不会牺牲准确性。