Socialized Learning: A Survey of the Paradigm Shift for Edge Intelligence in Networked Systems

要約

人工知能 (AI) とビッグデータによる強力な推進力の中で、エッジ インテリジェンス (EI) は初期のコンピューティング パラダイムとして台頭しており、AI とエッジ コンピューティング (EC) を統合して、AI サービスの可能性を最大限に引き出す模範的なソリューションとなっています。
それにもかかわらず、通信コスト、リソース割り当て、プライバシー、セキュリティに関する課題により、さまざまな要件を持つサービスをサポートする能力が制限され続けています。
これらの問題に対応して、本稿では、EI の進歩をさらに推進する有望な解決策として社会化学習 (SL) を紹介します。
SL は社会原則と行動を前提とした学習パラダイムであり、EI システム内のエージェントの協力能力と集合知を増幅することを目的としています。
SL は、システムの適応性を強化するだけでなく、多様なデバイスやプラットフォームにわたる分散インテリジェンスに不可欠な通信およびネットワーキング プロセスを最適化します。
したがって、SL と EI を組み合わせることで、将来のネットワークにおける協調的なインテリジェンスの開発が大幅に促進される可能性があります。
この論文は、EI と SL の統合に関する文献レビューの結果を示し、EI と SL に関する既存の研究の最新の成果を要約します。
続いて、EI の制限と、EI が SL からどのようにメリットを得られるかを包括的に掘り下げます。
これらのシステム内の通信の課題やネットワーク戦略、その他の側面に特に重点が置かれており、システム効率の向上における最適化されたネットワーク ソリューションの役割が強調されています。
これらの議論に基づいて、社会化されたアーキテクチャ、社会化されたトレーニング、および社会化された推論という 3 つの統合コンポーネントについて詳しく説明し、それぞれの長所と短所を分析します。
最後に、SL と EI を組み合わせた将来の応用例をいくつか特定し、未解決の問題について議論し、将来の研究を提案します。

要約(オリジナル)

Amidst the robust impetus from artificial intelligence (AI) and big data, edge intelligence (EI) has emerged as a nascent computing paradigm, synthesizing AI with edge computing (EC) to become an exemplary solution for unleashing the full potential of AI services. Nonetheless, challenges in communication costs, resource allocation, privacy, and security continue to constrain its proficiency in supporting services with diverse requirements. In response to these issues, this paper introduces socialized learning (SL) as a promising solution, further propelling the advancement of EI. SL is a learning paradigm predicated on social principles and behaviors, aimed at amplifying the collaborative capacity and collective intelligence of agents within the EI system. SL not only enhances the system’s adaptability but also optimizes communication, and networking processes, essential for distributed intelligence across diverse devices and platforms. Therefore, a combination of SL and EI may greatly facilitate the development of collaborative intelligence in the future network. This paper presents the findings of a literature review on the integration of EI and SL, summarizing the latest achievements in existing research on EI and SL. Subsequently, we delve comprehensively into the limitations of EI and how it could benefit from SL. Special emphasis is placed on the communication challenges and networking strategies and other aspects within these systems, underlining the role of optimized network solutions in improving system efficiency. Based on these discussions, we elaborate in detail on three integrated components: socialized architecture, socialized training, and socialized inference, analyzing their strengths and weaknesses. Finally, we identify some possible future applications of combining SL and EI, discuss open problems and suggest some future research.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google