A Comprehensive Review and a Taxonomy of Edge Machine Learning: Requirements, Paradigms, and Techniques

要約

エッジ コンピューティング (EC) と人工知能 (AI) の結合により、プライバシーの保護、リアルタイム パフォーマンスへの低遅延、リソースの最適化のための、エンドユーザー環境に近いインテリジェント ソリューションを提供するエッジ AI コンセプトが前進しました。
機械学習 (ML) は、過去数年間で AI の最も先進的な分野として、エッジ環境で有望な結果と応用を示しています。
それにもかかわらず、エッジパワード ML ソリューションは、エッジ コンピューティングと AI ドメインの両方からの結合制約により実現がより複雑であり、対応するソリューションは効率的であり、データ処理、モデル圧縮、分散推論、
Edge ML 要件の高度な学習パラダイム。
Edge ML が学術界と産業界の両方で多くの注目を集めているという事実にもかかわらず、この概念についての共通理解を提供するための既存の Edge ML テクノロジーに関する完全な調査が不足していることに気付きました。
これに取り組むために、このホワイト ペーパーは、既存のパラダイムと技術のソフト コンピューティングの側面に焦点を当て、Edge ML 技術の包括的な分類と体系的なレビューを提供することを目的としています。
まず、ジョイントの制約によって決まる Edge ML 要件を特定します。
次に、エッジ推論とエッジ学習という 2 つの主要な部分をカバーしながら、20 を超えるパラダイムと技術をその代表的な研究とともに広範囲に調査します。
特に、特定された要件のサブセットを満たすことで、各手法がどのように Edge ML に適合するかを分析します。
また、Edge ML フレームワークと未解決の問題を要約して、Edge ML の将来の方向性を明らかにします。

要約(オリジナル)

The union of Edge Computing (EC) and Artificial Intelligence (AI) has brought forward the Edge AI concept to provide intelligent solutions close to the end-user environment, for privacy preservation, low latency to real-time performance, and resource optimization. Machine Learning (ML), as the most advanced branch of AI in the past few years, has shown encouraging results and applications in the edge environment. Nevertheless, edge-powered ML solutions are more complex to realize due to the joint constraints from both edge computing and AI domains, and the corresponding solutions are expected to be efficient and adapted in technologies such as data processing, model compression, distributed inference, and advanced learning paradigms for Edge ML requirements. Despite the fact that a great deal of the attention garnered by Edge ML is gained in both the academic and industrial communities, we noticed the lack of a complete survey on existing Edge ML technologies to provide a common understanding of this concept. To tackle this, this paper aims at providing a comprehensive taxonomy and a systematic review of Edge ML techniques, focusing on the soft computing aspects of existing paradigms and techniques. We start by identifying the Edge ML requirements driven by the joint constraints. We then extensively survey more than twenty paradigms and techniques along with their representative work, covering two main parts: edge inference, and edge learning. In particular, we analyze how each technique fits into Edge ML by meeting a subset of the identified requirements. We also summarize Edge ML frameworks and open issues to shed light on future directions for Edge ML.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google