PulseAugur
中
实时 10:34:27
English(EN) CANS: Accelerating Multiuser Collaborative Edge Inference via Cooperative Autodidactic NeuroSurgeon

新的CANS框架将边缘AI推理延迟降低50%

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一个名为协同自学神经外科医生（CANS）的新框架，以提高移动边缘设备上协作深度神经网络推理的效率。CANS允许设备在推理过程中共享反馈，自适应地学习最优模型分区，从而应对网络条件波动和设备能力多样性带来的挑战。该框架采用FedLinUCB-DW算法进行设备分组，并利用离线经验加速探索，并对其性能提供理论保证。在原型实验中，CANS与非协作方法相比，推理延迟显著降低了高达50%。 AI

影响 优化协作边缘推理，有望降低移动AI应用的延迟并改善用户体验。

排序理由 在arXiv上发表的学术论文，详细介绍了边缘AI推理的新框架。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Zheshun Wu, Ziyang Zhang, Changyao Lin, Zenglin Xu, Jie Liu ·

    CANS：通过协同自学神经外科医生加速多用户协作边缘推理

    arXiv:2606.09175v1 Announce Type: cross Abstract: Recently, mobile edge computing (MEC)-enabled collaborative deep neural network (DNN) inference has emerged as a promising approach for delivering intelligent services to resource-constrained mobile devices. A representative scena…

相关话题