摘要:随着人工智能(AI)技术的成熟度,AI在边缘计算中的应用将大大促进工业技术的发展。但是,关于工业互联网(IIOT)的边缘计算框架的现有研究仍然面临着几个挑战,例如深层硬件和软件耦合,多样的协议,AI模型的困难部署,边缘设备的计算能力不足以及敏感性以及延迟和能源消耗的敏感性。为解决上述问题,本文提出了一个软件定义的面向AI的三层IIOT IIOT EDGE计算框架,并介绍了面向AI的Edge Computing System的设计和实施,旨在支持设备访问,使设备访问能够访问和部署AI,从云中进行AI,并允许整个模型从数据驱动到模型培训以完成模型培训以完成Edge的模型。此外,本文提出了一种基于时间序列的方法,用于在联合学习过程中卸载设备选择和卸载,该方法将低效节点的任务有选择地卸载到边缘计算中心,以减少训练延迟和能源消耗。最后,进行了实验以验证所提出方法的可行性和有效性。使用该方法的模型训练时间通常比随机设备选择方法低30%至50%,而在拟议方法下的训练能量消耗通常少35%至55%。
人们通常必须在太复杂的环境中做出决定,无法理解。政策制定者评估其潜在治疗效果的社会计划是异质性,高度非线性或溢出的社会计划。监管机构为复杂的人工智能模型设计规则,而在社会中部署了这些模型,而没有真正知道这些模型的工作方式。对决策者的有用是多么有用,可以理解其环境的解释?在本文中,我们通过考虑决策者(此后DM)的问题来研究这个问题,该决策者遇到了一个太复杂而无法理解的模型,而必须依靠对其进行解释。DM的收益取决于其行动和世界状态,在这些行动和输入中描述了后者。输入遵循已知分布,单个真实模型指定输入和输出之间的关系。例如,这种真实的模型可能是自然界中发生的相关数据生成过程(DGP),或者是由复杂的人工系统(例如大型统计或人工智能(AI)模型)引起的DGP。我们设置的关键新颖特征是,真实模型的空间比DM可以理解的可理解模型的空间大得多。例如,真实模型的空间可能包含所有深神经网络,但是可理解模型的空间可能仅包含n级多项式。要使DM将有关真实模型的信息合并到其选择的选择中,必须首先通过将其映射到可理解的模型来解释真实模型。同样,regu-将重点放在DM中掩盖模型的主要因素上,我们抽象出可能在此解释过程中涉及的任何抽样误差。我们需要遵守两个标准的真实模型空间和可理解模型的空间(我们称为解释器)之间的映射。首先,如果真实模型已经可以理解,则解释器不应用不同的模型来解释它。第二,如果真实模型是由独立于状态的随机设备生成的两个模型的混合物(例如,一个模型持有一半的时间;另一个模型,另一半),则真实模型的解释应该是这两个模型的解释的混合。一起,这些标准等于解释器是对可理解模型空间的真实模型的线性投影。此类包含用于解释模型的大多数工具,包括政策评估中的线性回归和机器学习中的本地近似值。本文的设置捕捉了许多情况,在这些情况下,决策者面对需要解释的符合模型。,例如,决策者经常评估其治疗效果(输出)取决于受影响人群(输入)的人口特征(输入)(真正的模型),而决策者必须选择要实施的程序(行动)。
[3] Huan Zhao; Linghan Zhu;江西li; Vigneshwaran Chandrasekaran;乔恩·凯文·鲍德温(Jon Kevin Baldwin);迈克尔·佩特斯(Michael t Pettes); Andrei Piryatinski;李阳;汉·htoon。操纵近红外量子光生成的层间激子。纳米字母。2023,23,11006-11012。[4] Xiangzhi li;安德鲁·琼斯(Andrew C Jones); Junho Choi; Huan Zhao; Vigneshwaran Chandrasekaran;迈克尔·佩特斯(Michael t Pettes); Andrei Piryatinski; ma rta a tschudin;帕特里克·雷瑟(Patrick Reiser);大卫百老汇。在应变工程WSE2/NIPS3异质结构中,接近诱导的手性量子光生产生。自然材料。2023,22,1311-1316。[5] Huan Zhao;迈克尔·佩特斯(Michael t Pettes); Zheng;汉·htoon。位点对照的电信波长单光子发射器在原子上薄的Mote2中。nat Commun。2021,12,6753。[6] Huan Zhao; Beibei Wang; Fanxin Liu;小对Haozhe Wang; Wei Sun Leong;马克·史蒂文斯(Mark J Stevens); Priya Vashishta; aiichiro nakano;庆。流体流有助于范德华材料的确定性折叠。高级功能材料。2020,30,1908691。[7] Tong Wu†; Huan Zhao†; Fanxin Liu; Jing Guo;汉王。设备的机器学习方法 - 基于随机设备设备的玻尔兹曼机器的电路合作。ARXIV预印ARXIV:1905.04431。2019。[8] Shanyuan Niu†; Huan Zhao†; Yucheng Zhou; Huaixun Huyan;博伊恩赵;江宾;斯蒂芬·B·克罗宁(Stephen B Cronin);汉王; Jayakanth Ravichandran。中波和长波红外线二色性二色性二色性在六角形钙钛矿甲状腺素中。材料的化学。2018,30,4897-4901。[9] Shanyuan Niu†;格雷厄姆·乔†; Huan Zhao†; Yucheng Zhou;托马斯·奥维斯(Thomas Orvis); Huaixun Huyan;贾德·萨尔曼(Jad Salman); Krishnamurthy Mahalingam;布列塔尼·乌尔文(Brittany Urwin);江宾·吴(Jiangbin Wu)巨大的光学各向异性在准尺寸晶体中。nat光子学。2018,12,392。[10] Ivan Esqueda; Huan Zhao;汉王。有效的学习和横杆操作,具有原子薄的2-D材料化合物突触。应用物理学杂志。2018,124,152133。[11] Zhipeng Dong; Huan Zhao;唐·迪马齐奥(Don Dimarzio); Myung-Geun Han; Lihua Zhang;杰西·蒂斯(Jesse Tice);汉王; Jing Guo。由2-D材料启用了原子上的CBRAM:缩放行为和性能限制。电子设备上的IEEE交易。2018,65,4160-4166。[12] Huan Zhao; Zhipeng Dong;他天;唐·迪马尔兹(Don Dimarzi); Myung-Geun Han; Lihua Zhang;小对Fanxin Liu;朗山; Shu-Jen Han。原子上薄的femtojoule候选装置。高级材料。2017,29,1703232。[13] Bolin Liao†; Huan Zhao†; Ebrahim Najafi;小对他天;杰西·蒂斯(Jesse Tice);奥斯汀·J·明尼奇(Austin J Minnich);汉王;艾哈迈德·H·泽尔(Ahmed H Zewail)。黑磷中各向异性光载体动力学的时空成像。纳米字母。2017,17,3675-3680。[14] Huan Zhao†; Yuanrui li;道格拉斯·奥尔伯格(Douglas Ohlberg); Wei Shi; Wei Wu;汉王; ping-heng tan。 单层钼二硫化物纳米纤维具有高光学各向异性。 高级光学材料。 2016,4,756-762。 纳米研究。 2015,8,3651-3661。[14] Huan Zhao†; Yuanrui li;道格拉斯·奥尔伯格(Douglas Ohlberg); Wei Shi; Wei Wu;汉王; ping-heng tan。单层钼二硫化物纳米纤维具有高光学各向异性。高级光学材料。2016,4,756-762。纳米研究。2015,8,3651-3661。[15] Huan Zhao†; Jiangbin Wu†;宗宗; qiushi guo;小王;富兰斯Xia;李阳; Pingheng tan;汉王。在各向异性原子上稀薄的鼻鼻中的层间相互作用。[16] Yichen Jia; Huan Zhao; qiushi guo;小王;汉王;冯米亚。可调节的等离子体 - 声子偏振子中的分层石墨烯 - 甲状腺氮化硼异质结构。acs光子学。2015,2,907-912。[17] Huan Zhao; qiushi guo;富兰斯Xia;汉王。 二维材料用于纳米素化的应用。 纳米素化学。 2015,4,128-142。 [18]小王;亚伦·琼斯(Aaron M Jones);凯尔·塞勒(Kyle L Seyler); vy tran; Yichen Jia; Huan Zhao;汉王;李阳; Xiodong Xu;冯米亚。 单层黑磷中高度各向异性和稳健的激子。 纳米技术。 2015,10,517-521。[17] Huan Zhao; qiushi guo;富兰斯Xia;汉王。二维材料用于纳米素化的应用。纳米素化学。2015,4,128-142。[18]小王;亚伦·琼斯(Aaron M Jones);凯尔·塞勒(Kyle L Seyler); vy tran; Yichen Jia; Huan Zhao;汉王;李阳; Xiodong Xu;冯米亚。单层黑磷中高度各向异性和稳健的激子。纳米技术。2015,10,517-521。