标签
EMMI 提出了一种方法,用于在边缘设备上通过压缩表示来实现通信高效的 MLLM 推理,将通信负载降低 32 倍,同时保持准确性。
本文介绍了CRAWO,一个用于跨异构边缘基础设施的AI流水线自适应工作负载编排框架。它采用控制循环模型和基于Kubernetes的实现,以改善工作负载分布并减少对集中式云处理的依赖,并在车辆监控场景中进行了演示。
FedOPAL 提出了一种框架,将视觉提示适配为特征校正器,用于单次联邦学习,通过解析方法实现高效的无梯度聚合,在零服务器端训练成本下,性能显著优于现有解析方法,并可与迭代方法相媲美。
人工智能通过更便宜的传感器、机器人技术和多模态模型,正在实现从物理世界收集和处理以前无法访问的数据,在基础设施、医疗保健和工业自动化领域创建新的数据飞轮。
CBD提出了一种仅通过API的黑盒遗忘框架,用于大语言模型。该框架利用两个辅助模型在保留数据和目标数据之间创建受控行为差异,相比现有方法实现了更优的遗忘-效用权衡。
CogGuard是一种用于边缘智能服务的主动预警框架,它将基于LLM的离线画像构建与基于SLM的在线评分预测解耦,在教育和操作数据集上实现了更低的预测误差,同时将构建时间减少48%,微调时间减少19%。
本文介绍了SPIN,一种用于去中心化多智能体集群控制的框架,该框架利用张量网络分解将计算复杂度从指数级降低到线性级,从而支持低功耗边缘部署。通过仿真对追踪、覆盖和协调任务进行了验证。
本文全面综述并分类了基于人体通信的联邦学习在体载边缘智能中的应用,并提出了一个名为BODYFED-HBC的调度示例。
本文提出MODIAD,一种面向多模态在线分布式工业异常检测的框架,通过多类智能调度问题和资源高效类级低秩自适应(REC-LoRA)策略解决资源约束问题。在MVTec 3D-AD和Eyecandies数据集上的实验展示了卓越的性能和效率。
本文提出了一种利用边缘智能和TinyML的AI驱动框架,用于智慧城市的能效环境监测,该框架根据时空条件动态激活传感器,以减少能耗并延长传感器寿命。
FusionSense提出了一种面向多模态边缘智能的三阶段近传感器学习框架,通过融合感知滤波同时降低计算与通信开销,在RGB-深度/激光雷达任务上实现高达33倍的能耗节省和显著的数据缩减收益。
AutoMCU是一个利用LLM的多智能体系统,可自动为微控制器单元设计神经网络,在确保硬件约束可行性的同时显著缩短定制时间。