抄録/ポイント：
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
機械学習の評価は,特に深いニューラルネットワーク(DNN)の使用により,重い計算を必要とし,したがって,限られたハードウェアを持つ組込み装置は,それ自身によって評価を実行することができない。この問題に対する一つの解決策は,クライアントから周辺のエッジサーバへのDNN計算をオフロードすることである。エッジサーバによるDNNオフロードに対する既存のアプローチは,固定,特定の評価のためのエッジサーバを特定するか,またはクライアントのバックエンドソフトウェアシステムを含む大規模VM画像を移動させた後に,多様な評価のためのエッジサーバをカスタマイズする。本論文では,Web評価の文脈においてDNN計算をオフロードするための新しい簡単な手法を提案した。著者らは,DNN計算を実行する直前に,クライアントからエッジサーバへのWeb appの現在の実行状態を移動させるので,エッジサーバはその強力なハードウェアでDNN計算を実行することができる。そこで,クライアントがappを実行し続けるように,エッジサーバからクライアントへの新しい実行状態を移動させる。著者らは,スナップショットと呼ばれるもう一つのWeb appの形式でWeb appの実行状態を保存することができて,それは小さいオーバーヘッドで実行状態を非常に単純化して,復元した。筆者らは,ブラウザと著者らのオフロードシステムを装備した,任意の一般的なエッジサーバに任意のDNN appを負荷することができる。著者らは,DNNモデルを送る方法やユーザデータのプライバシーを改善する方法のようなオフロードDNN評価に関連するいくつかの問題に取り組んだ。また,要求されるエッジサーバ上にオフロードシステムを設置する方法についても議論する。実際のDNNベースのWeb評価による実験により,スナップショットベースのオフロードは,サーバ上で完全にappを実行するのに匹敵する有望な性能結果を達成することを示した。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】
