Federated Transformed Learning for a Circular, Secure, and Tiny AI

要約

ディープ ラーニング (DL) は、多様なマス モビリティ、スマート リビング、産業アプリケーションに浸透しており、私たちの生活と働き方を急速に変革しています。
DL は多くの AI 実装の中心です。
一連の主要な課題は、(1) 「循環型」 – 以前のタスクの解決方法を忘れることなく新しいタスクを解決できる、(2) 「安全」 – 敵対的なデータ攻撃に対する免疫を持つ、(3) の AI モジュールを作成することです。
「小型」 – 低電力、低コストの組み込みハードウェアで実装可能。
この技術では、さまざまな計算と通信の要件を伴う変換された深い表現が必要となるため、プラットフォームの単一の水平層で 3 つの側面すべてを実現するのは明らかに困難です。
ここでは、5G 以降のネットワーク アーキテクチャ全体で、変換された DL 表現を実現するというビジョンを示します。
まず、各課題領域の分野横断的な動機を詳しく説明した後、循環型で安全な小型 AI (CST-AI) を実現できる DL 研究の最近の進歩を示します。
変換された各深層表現の矛盾する要求を認識し、深層学習の変換と機能をネットワーク全体で統合し、接続されたランタイム機能を実現します。

要約(オリジナル)

Deep Learning (DL) is penetrating into a diverse range of mass mobility, smart living, and industrial applications, rapidly transforming the way we live and work. DL is at the heart of many AI implementations. A key set of challenges is to produce AI modules that are: (1) ‘circular’ – can solve new tasks without forgetting how to solve previous ones, (2) ‘secure’ – have immunity to adversarial data attacks, and (3) ‘tiny’ – implementable in low power low cost embedded hardware. Clearly it is difficult to achieve all three aspects on a single horizontal layer of platforms, as the techniques require transformed deep representations that incur different computation and communication requirements. Here we set out the vision to achieve transformed DL representations across a 5G and Beyond networked architecture. We first detail the cross-sectoral motivations for each challenge area, before demonstrating recent advances in DL research that can achieve circular, secure, and tiny AI (CST-AI). Recognising the conflicting demand of each transformed deep representation, we federate their deep learning transformations and functionalities across the network to achieve connected run-time capabilities.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google