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。
コンピューティング資源(例えば,埋込みGPU,携帯電話,ラップトップ)を有するエッジデバイスの数が増加するので,最近の研究は,それが1つのエッジ装置以上の協調的に畳み込みニューラルネットワーク(CNN)推論に有益であることを示した。しかし,これらの研究はデバイスの条件に関する強い仮定を作り,それらの応用は実用的から遠い。本研究では,DistrEdgeと呼ばれる一般的方法を提案し,複数のIoTエッジデバイスを持つ環境においてCNN推論分布戦略を提供した。デバイスにおける不均一性,ネットワーク条件,およびCNN計算の非線形特性に対処することにより,DistrEdgeは,深い強化学習技術を用いて,広範囲のケース(例えば,異なるネットワーク条件,様々なデバイスタイプ)に順応する。最新の組込みAI計算デバイス(例えば,NVIDIA Jetson製品)を利用して,実験における不均一デバイスタイプの事例を構築した。著者らの評価に基づき,DistrEdgeは,装置のコンピューティング特性とネットワーク条件に従って,適切に分布戦略を調整することができる。それは最先端の方法と比較して1.1から3x高速化を達成した。【JST・京大機械翻訳】