In-Edge AI: интеллектуализация мобильных периферийных вычислений, кэширования и связи с помощью федеративного обучения
In-Edge AI: Intelligentizing Mobile Edge Computing, Caching and Communication by Federated Learning
2019-07-24
SCID: 54.1/wrfxv43f
Discuss with AI
In-Edge AIглубокое обучение с подкреплениемпериферийное кэшированиефедеративное обучениемобильные периферийные вычисления
Figures from the paper
Abstract (AI)
В последнее время, на фоне стремительного развития технологий мобильной связи, теория и методы периферийных вычислений привлекают все большее внимание исследователей и инженеров во всем мире. Периферийные вычисления позволяют существенно сократить разрыв между возможностями облака и потребностями устройств на периферии сети, тем самым ускоряя доставку контента и повышая качество мобильных услуг. Для повышения уровня интеллектуальности периферийных систем, в отличие от традиционных методологий оптимизации, мы предлагаем интегрировать методы глубокого обучения с подкреплением и платформу федеративного обучения с мобильными периферийными системами для оптимизации мобильных периферийных вычислений, кэширования и связи. В связи с этим мы разрабатываем фреймворк «In-Edge AI», предназначенный для интеллектуального использования взаимодействия между устройствами и периферийными узлами при обмене параметрами обучения с целью улучшения обучения и вывода моделей, что позволяет выполнять динамическую оптимизацию на уровне системы и совершенствовать приложения, одновременно снижая избыточную нагрузку на системные коммуникации. Проведено исследование фреймворка «In-Edge AI», показавшее, что он обеспечивает производительность, близкую к оптимальной, при относительно небольших накладных расходах на обучение, а система остается когнитивной и адаптивной к мобильным системам связи. Наконец, мы обсуждаем ряд связанных проблем и возможностей, способных открыть перспективное будущее «In-Edge AI».
Key Findings
1
Согласно оценке, подход обеспечивает почти оптимальную производительность при относительно низких накладных расходах на обучение; при этом обозначены нерешённые проблемы и направления дальнейших исследований.
2
Федеративное взаимодействие устройств и периферийных узлов обеспечивает обмен параметрами для улучшения обучения и вывода моделей при снижении избыточных коммуникационных нагрузок системы.
3
Подход поддерживает динамическую оптимизацию на уровне системы и улучшение приложений, адаптируясь к изменяющимся условиям мобильных коммуникаций.
4
Платформа одновременно направлена на оптимизацию периферийных вычислений, кэширования контента и беспроводной связи.
5
В работе предложена платформа «In-Edge AI», объединяющая глубокое обучение с подкреплением и федеративное обучение в системах мобильных периферийных вычислений.
Research Object
мобильные периферийные системы, охватывающие периферийные вычисления, кэширование и связь
Research Subject
интеллектуальная оптимизация на уровне системы и совершенствование приложений посредством совместного федеративного обучения и глубокого обучения с подкреплением, со снижением коммуникационных издержек и адаптивной производительностью
Publication Details
Publication Date
2019-07-24
Journal
Publisher
ISSN
Cited by
1157
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai1
Работы, цитирующие эту статью5
Пограничный интеллект: прокладывая последний участок пути для искусственного интеллекта с помощью периферийных вычислений2019
Федеративное обучение в мобильных сетях периферийных вычислений: всесторонний обзор2020
Периферийный искусственный интеллект: обзор2023
Обзор применения блокчейна и искусственного интеллекта в беспроводных сетях 6G2023
Объяснимый искусственный интеллект для вариантов использования 6G: технические аспекты и исследовательские задачи2024