275790記事公開中

トレンドワード
  2. AIベンチマークリサーチ
  3. 論文研究
  4. エッジにおけるクロスドメイン継続学習（Cross-Domain Continual Learning for Edge Intelligence in Wireless ISAC Networks）
2 分で読了
0 views

エッジにおけるクロスドメイン継続学習

（Cross-Domain Continual Learning for Edge Intelligence in Wireless ISAC Networks）

さらに深い洞察を得る

AI戦略の専門知識を身につけ、競争優位性を構築しませんか？

AIBR プレミアム
年間たったの9,800円で
“AIに詳しい人”として
一目置かれる存在に！

プレミア会員になって、山ほどあるAI論文の中から効率よく大事な情報を手に入れ、まわりと圧倒的な差をつけませんか？

詳細を見る
【実践型】
生成AI活用キャンプ
【文部科学省認可】
満足度100%の生成AI講座
3ヶ月後には、
あなたも生成AIマスター！

「学ぶ」だけではなく「使える」ように。
経営者からも圧倒的な人気を誇るBBT大学の講座では、3ヶ月間質問し放題！誰1人置いていかずに寄り添います。

詳細を見る

田中専務

拓海先生、最近部下から「エッジで学習して現場導入すべきだ」と言われまして。多くのデータをクラウドに集めるのが普通ではないのですか。

AIメンター拓海

素晴らしい着眼点ですね！結論から言うと、クラウドに全て送らなくても、端末側（エッジ）で連続的に学びながら古いデータを捨て、かつ過去を忘れない工夫があれば現場で十分に使えるんですよ。

田中専務

それは助かりますが、うちの端末はメモリも計算力も限られています。データを全部残しておく余裕はないはずです。投資対効果はどうなるのでしょうか。

AIメンター拓海

大丈夫です。要点は三つありますよ。1) 古い大量データをそのまま保存せず、重要な代表例だけを抽出して残す。2) 新しい環境に合わせて学び続けるが、過去の知識を損なわない仕組みを入れる。3) これらを軽量なアルゴリズムで回すことで、メモリと計算負荷を抑えられるのです。

田中専務

代表例だけを残すとは、要するに全部は取らずに要点だけ保存するということですね。だが現場の無作為なノイズや欠損データに弱くないですか。

AIメンター拓海

いい質問です。論文で提案する手法は、ノイズや間引き（nonequispaced sampling）にも耐えるよう設計されています。具体的には重要な代表例を

論文研究シリーズ
前の記事
高エネルギー物理用途における分散コンピューティング評価の代替モデル化
（Surrogate Modeling for Scalable Evaluation of Distributed Computing Systems for HEP Applications）
次の記事
生成機械文の検出に対する敵対的訓練による防御
（Iron Sharpens Iron: Defending Against Attacks in Machine-Generated Text Detection with Adversarial Training）
関連記事
オフライン制約付き強化学習のための原始-双対-クリティックアルゴリズム
（A Primal-Dual-Critic Algorithm for Offline Constrained Reinforcement Learning）
ボロノイ分割とファジィクラスタリングを用いた大規模魚群シミュレーションの効率化
（Efficient Large-Scale Simulation of Fish Schooling Behavior Using Voronoi Tessellations and Fuzzy Clustering）
視覚・言語タスクへのマルチモーダル敵対攻撃
（VLATTACK: Multimodal Adversarial Attacks on Vision-Language Tasks via Pre-trained Models）
オフラインモデルベース強化学習におけるアンチ・エクスプロレーション
（Offline Model-Based Reinforcement Learning with Anti-Exploration）
プロキシ因果学習と交絡バンディット方策評価への応用
（Deep Proxy Causal Learning and its Application to Confounded Bandit Policy Evaluation）
画像のベクトル化を最適化して削減する手法
（Optimize and Reduce: A Top-Down Approach for Image Vectorization）
この記事をシェア

有益な情報を同僚や仲間と共有しませんか？

AI技術革新 - 人気記事
ブラックホールと量子機械学習の対応
（Black hole/quantum machine learning correspondence）
  • 論文研究
生成AI検索における敏感なユーザークエリの分類と分析
（Taxonomy and Analysis of Sensitive User Queries in Generative AI Search System）
  • 論文研究
DiReDi：AIoTアプリケーションのための蒸留と逆蒸留
（DiReDi: Distillation and Reverse Distillation for AIoT Applications）
  • 論文研究

PCも苦手だった私が

“AIに詳しい人“
として一目置かれる存在に！
  • AIBRプレミアム
  • 実践型生成AI活用キャンプ
あなたにオススメのカテゴリ
論文研究
最新記事
半教師あり学習における仮想敵対的ラダーネット
（Virtual Adversarial Ladder Networks for Semi-Supervised Learning）
  • 論文研究
一様ランダム戦略の最適性
（On the optimality of the uniform random strategy）
  • 論文研究
テルグ語の光学文字認識
（OPTICAL CHARACTER RECOGNITION (OCR) FOR TELUGU: DATABASE, ALGORITHM AND APPLICATION）
  • 論文研究
クラウド型機械学習サービスにおけるモデル抽出警告
（Model Extraction Warning in MLaaS Paradigm）
  • 論文研究
線形二次系の楽観的適応規制
（Optimism-Based Adaptive Regulation of Linear-Quadratic Systems）
  • 論文研究
大規模ミニバッチによる物体検出の高速化と精度向上
（MegDet: A Large Mini-Batch Object Detector）
  • 論文研究
さらに深い洞察を得る

AI戦略の専門知識を身につけ、競争優位性を構築しませんか？

AIBR プレミアム
年間たったの9,800円で
“AIに詳しい人”として一目置かれる存在に！

プレミア会員になって、山ほどあるAI論文の中から効率よく大事な情報を手に入れ、まわりと圧倒的な差をつけませんか？

詳細を見る
【実践型】
生成AI活用キャンプ
【文部科学省認可】
満足度100%の生成AI講座
3ヶ月後には、あなたも生成AIマスター！

「学ぶ」だけではなく「使える」ように。
経営者からも圧倒的な人気を誇るBBT大学の講座では、3ヶ月間質問し放題！誰1人置いていかずに寄り添います。

詳細を見る

AI Benchmark Researchをもっと見る

今すぐ購読し、続きを読んで、すべてのアーカイブにアクセスしましょう。

続きを読む