librahfacebook的博客

本文出自论文 Edge Intelligence: Paving the Last Mile of Artificial Intelligence with Edge Computing ，主要对边缘智能的最新研究成果进行了全面调查，并进行了完善的综述。边缘智能的研究仍处于起步阶段，计算机系统和人工智能社区都迫切需要一个专门的地方来交流边缘智能的最新进展。为了这个目的，本文对边缘智能的最新...

我们提出来一个分布式DNN架构，它可以学习端到端如何表示原始传感数据，并通过网络发送数据，以满足最终的传感任务的需求。这样的设计可以很自然地适应传感器和云之间不同的网络带宽，并自动发送适合任务的数据特征。

本文出自论文 Collaborative Edge and Cloud Neural Networks for RealTime Video Processing ，主要提出来一个在边缘和云上协作的处理模型（Edge-Cloud Model）。视频流的高效处理在许多新兴的物联网和边缘应用程序中是一个关键的组成，例如虚拟现实（VR）、增强现实（AR）以及自动驾驶汽车。这些应用程序要求实时的高...

本文出自论文 Task Scheduling with Optimized Transmission Time in Collaborative Cloud-Edge Learning，主要研究了一个任务调度问题来减少加权传输时间，同时把学习精度考虑在内。深度渗透学习技术在任务关键性应用（如无人驾驶车）需要严格时间的要求来保证它的交互性和大型训练数据来保证它的准确性，这个不可能被云很容易地...

本文出自论文 Partitioning of CNN Models for Execution on Fog Devices ，提出了一种新的针对CNN模型的深度输入划分方案，并通过实验来证明其良好性能。深度神经网络的改进意味着广泛使用这种模型来分析和推理大量数据，包括传感器观察，图像和语音。对于这种在靠近数据源的设备上运行的推理任务的需求正在增长。这样的设备被放置在网络边缘，被称作雾设备...

我们提出了AdaComp，一种新的算法用于压缩workers对服务器模型的更新。这种方法结合了有效的梯度选择和学习率调整，适用于随机梯度下降的方法。我们发现：与标准异步随机梯度下降相比，worker发送到服务器上的数据总量减少了两个数量级，同时又保持了模型的准确性。

Edgent包含两个关键点：（1）自适应地将DNN计算划分在设备和边缘之间的DNN分区，利用相邻的混合计算资源进行实时的DNN推理；（2）通过在适当的中间DNN层提前退出来加速DNN推理，从而进一步降低计算延迟。

本文出自于论文Neurosurgeon: Collaborative Intelligence Between the Cloud and Mobile Edge，主要介绍了

本文主要针对于深度学习和边缘计算的交叉进行一个综述，它将提供在网络边缘使用深度学习的应用程序的概述，讨论不同的方法来快速执行跨终端设备、边缘服务器和云结合的深度学习推理，并描述了跨多个边缘设备训练深度学习模型的方法。